Algorithme d’appariement : définition

Un algorithme d’appariement désigne une méthode informatique qui associe des éléments entre eux en fonction de critères définis : compatibilité, préférence, similarité, distance, disponibilité ou contrainte. Selon le contexte, l’objectif peut être d’obtenir une correspondance stable, optimale au regard d’un score, ou simplement suffisamment pertinente pour être exploitable. Une correspondance stable n’est pas nécessairement optimale au sens métier, et une correspondance optimale selon un score donné n’est pas nécessairement stable au sens où l’entend la théorie des jeux.

Origine du concept

L’une des formulations théoriques les plus connues de l’appariement est la théorie de l’appariement stable, développée en économie et en informatique théorique, mais le terme recouvre aujourd’hui des familles de méthodes plus larges : affectation sous contraintes, recommandation, rapprochement d’entités ou optimisation de ressources. L’un des fondements majeurs de l’appariement stable est l’algorithme de Gale et Shapley, publié en 1962 dans l’article College Admissions and the Stability of Marriage. Il répond à une question précise : comment construire un appariement stable entre deux ensembles d’acteurs disposant de préférences, par exemple des candidats et des établissements.

Dans d’autres contextes, l’appariement ne repose pas sur des préférences réciproques mais sur un score de similarité, un coût à minimiser, une distance à réduire ou une contrainte opérationnelle à respecter. C’est le cas, par exemple, lorsqu’un système associe un produit à un utilisateur, un véhicule à une livraison, ou deux enregistrements susceptibles de représenter la même entité, comme dans le cas du matching algorithmique appliqué aux données B2B.

Domaines d’application

Les algorithmes d’appariement interviennent dans des contextes très différents. Les plateformes de mise en relation, sites de rencontres, applications de covoiturage, places de marché, associent des utilisateurs sur la base de critères déclarés, observés ou calculés. Le recrutement s’appuie sur des logiques comparables pour rapprocher des profils de candidats et des offres d’emploi selon des critères de compétences, d’expérience ou de localisation. La logistique les utilise pour affecter des ressources disponibles, véhicules, entrepôts, créneaux, à des besoins opérationnels. Les systèmes de recommandation, enfin, s’appuient sur des principes d’appariement pour associer des utilisateurs à des produits ou contenus susceptibles de les intéresser.

Dans le contexte spécifique des données d’entreprises B2B, cette famille de méthodes prend la forme du matching algorithmique, qui applique ces principes au rapprochement d’enregistrements représentant des entreprises, des établissements ou des contacts professionnels issus de sources différentes, à l’image de ce que réalise le Web to SIREN pour l’identification d’entreprises françaises.

Types de problèmes d’appariement

Les problèmes d’appariement se distinguent notamment selon la structure des ensembles concernés. L’appariement bipartite associe deux ensembles distincts (candidats et postes, par exemple), tandis que d’autres formulations traitent l’appariement au sein d’un même ensemble. D’autres problèmes relèvent plutôt de l’affectation : il s’agit alors d’attribuer des ressources limitées à des demandes, sous contraintes de capacité, de coût, de disponibilité ou de priorité. Le choix du modèle dépend donc autant de la structure des données que de l’objectif recherché.

Limites

Un algorithme d’appariement dépend directement de la qualité et de la pertinence des critères sur lesquels il repose, ce qui rejoint les enjeux de qualité des données applicables à tout traitement automatisé. Des critères mal choisis ou des données d’entrée incomplètes produisent des correspondances qui respectent la logique de l’algorithme sans nécessairement répondre à l’objectif recherché. Par ailleurs, l’optimalité mathématique d’un appariement ne garantit pas sa pertinence pratique dans un contexte métier donné, où des facteurs non modélisés peuvent peser autant que les critères formels retenus.

Un algorithme d’appariement peut aussi reproduire les biais présents dans les données ou dans les critères de décision retenus, notamment lorsqu’il intervient dans des contextes sensibles comme le recrutement, l’accès à des services ou la recommandation personnalisée.

Voir aussi

Matching algorithmique
Web to SIREN
Enrichissement de données
Qualité des données

Sources et références

Gale, D. et Shapley, L. S. (1962). College Admissions and the Stability of Marriage. The American Mathematical Monthly, 69(1), 9-15. Article fondateur de la théorie de l’appariement stable.

Roth, A. E. et Sotomayor, M. (1990). Two-Sided Matching: A Study in Game-Theoretic Modeling and Analysis. Cambridge University Press. Ouvrage de référence sur les marchés d’appariement bilatéraux et les modèles fondés sur les préférences.