本研究提出一种新颖的参数化混合成员 Mallows 模型（M4），旨在解决由嘈杂和不一致的用户群体产生的成对比较变异性的问题。通过将成对比较视为单词，并将用户视为文档，在 M4 和主题模型之间建立统计连接，探索具有可分离结构的 Mallows 组件，并利用可分离主题发现的最新进展。我们证明了我们的新模型在预测现实世界偏好方面与当前最先进的方法在实证上具有竞争力，并使用基于鲁棒性极点识别凸多边形的算法来学习参考排名。

Apr, 2015

本文提出了第一个多项式时间算法，利用张量分解技术学习两个 Mallows 模型混合的参数，解决了之前没有理论保证且容易卡在局部最优解的问题。

Oct, 2014

本文主要研究包含两种 Mallows 模型的混合模型，用于对包含专家和非专家评委的异质性选民群体进行排名。在此基础上，针对数据中的噪声和非专家评委造成的影响，对 Borda 算法进行了改进，以便能够更好地还原 “专家排名” 的排名。

Oct, 2020

提出了第一个多项式时间算法来确定具有任意常数个分量的 Mallows 模型的学习参数。同时，通过分析和限制，研究了学习混合 Mallows 模型的复杂性，并展开对改进组成数量依赖性的探索。

Aug, 2018

采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

Dec, 2023

我们提出了一种基于主题建模的方法来预测配对比较中的偏好，该方法利用新的生成模型来捕获预测人群中多种共享潜在排名以及自然的不一致性，并将潜在排名的估计形式地归约为相当于统计模型中的话题建模问题，在此基础上利用相关领域的新进展开发了一个算法，该算法可以以可证明的一致性、样本和计算复杂度的保证学习共享的潜在排名，并在一些半合成和真实世界数据集上证明了与当前最先进方法在预测偏好方面的实证竞争力。

Dec, 2014

本文提出了一种协同偏好完成问题的高效算法，涉及在基于有限数量的观测关联值的情况下，针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论，即虽然偏好通常被记为数字分数，但感兴趣的预测量实际上是底层排名，因此，直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数。尽管具有广泛适用性，但该算法对于表示总体或区块总体顺序的监督的计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。此外，本文还提出了一项挑战性应用，即协同排名脑区与认知神经科学术语之间的关联。

Nov, 2016

研究在机器学习中，基于两两比较对一组 n 个项目进行排名的问题，提出了一种基于置信区间的活跃排名算法，通过近似排序来减少比较次数。

Jan, 2018

本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。

Jun, 2014

该论文研究了如何通过具有噪声的成对比较数据和项特征来估计排名，提出了凸显特征偏好模型，并使用最大似然估计学习模型参数和排名，实验证明了该模型表现强大，解释了系统性不对称性。

Feb, 2020