With growing information availability recommendation systems help users navigate and filter the many options. The home rental market has been pointed out as one of the unexplored areas for recommendations system. This project examines the effects of incorporating historical data for probabilistic weighting and matching algorithms for increased recommendation diversity for a tenant to landlord recommendation system. This was done by implementing two new recommendation systems. The first uses probabilistic weighting to measure the similarity between tenants and landlord homes. The second combines this probabilistic weighting with a variant of the Deferred Acceptance algorithm to enhance recommendation diversity. These two recommendation systems were A/B tested together with the existing tenant recommendation system on the Qasa platform, a digital end-to-end rental apartments marketplace in Sweden. With the objective of having the recommendation system increase landlord engagement a good recommendation was defined as one where the landlord choose to contact the tenant. After the A/B test period, the three recommendation variants were evaluated on Coverage@N, Gini-Index@K, Precision@K and Recall@K. The result revealed that the use of the Deferred Acceptance algorithm did increase the recommendation diversity, but it led to reduced precision in the top recommendations compared to the first new implementation that only used probabilistic weighting. However, the incorporation of historical data for the probabilistic weighting for similarity in booth new recommendation systems showed higher precision and number of contacted tenants compared to the existing tenant recommendation model on the Qasa platform.

Med växande informationstillgänglighet hjälper rekommendationssystem användarna att navigera och filtrera bland många alternativ. Hyresmarknaden har pekats ut som ett av de outforskade områdena för rekommendationssystem. Detta projekt undersöker effekterna av att inkorporera historiska data för statistiska vikter och matchningsalgoritmer för ökad rekommendations mångfald i ett rekommendationssystem från hyresgäster till hyresvärdar. Detta gjordes genom att implementera två nya rekommendationssystem. Det första använder statistiska vikter för att mäta likheten mellan hyresgäster och hyresvärdars bostäder. Det andra kombinerar dessa statistiska vikter med en variant av deferred acceptance algorithm algoritmen för att förbättra rekommendations mångfaldet. Dessa två rekommendationssystem A/B testades tillsammans med det befintliga rekommendationssystemet av hyresgäster på Qasa-plattformen, en digital marknadsplats för andrahandsuthyrning av lägenheter i Sverige. Med målet att rekommendationssystemet skulle öka hyresvärdens engagemang definierades en bra rekommendation som en där hyresvärden valde att kontakta hyresgästen. Efter A/B-testperioden utvärderades de tre rekommendationsvarianterna baserat på Coverage@N, Gini-Index@K, Precision@K och Recall@K. Resultatet visade att användningen av algoritmen för uppskjuten acceptans ökade mångfaldet i ett rekommendationssystem, men det ledde till minskad precision i de första rekommendationerna jämfört med den första nya implementationen som endast använde statistiska vikter. Däremot visade inkorporeringen av historiska data för statistiska vikter vid uträkning av likhet, något som gjordes i båda nya rekommendationssystem, högre precision och fler antal kontaktade hyresgäster jämfört med den befintliga modellen för hyresgästrekommendationer på Qasa-plattformen.