学习排序模型混合物
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
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
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
本文提出了一个新的 Bayesian 方法,以实现 Mallows rank 模型的有效计算,并推导出该模型下的共识排序,特别是当考虑到部分排序时,也给出了考虑到评估者个体差异的混合模型,同时在推荐系统中对评估者进行类别预测。
May, 2014
该论文研究了使用偏序(或偏好)数据生成个性化推荐的方法,通过学习 MultiNomial Logit(MNL)模型组合的问题,提出了一种有效的算法来从部分有序或偏好数据中学习混合的 MNL 模型,从而可生成更准确的推荐结果。
Nov, 2014
本文研究 MNL 模型的混合问题,提出了一个在有限样本和查询数量下可以学习两个 MNL 混合模型的算法,并通过数值实验验证和假设论证了模型的识别性和复杂度问题。
Jul, 2020
本文提出了通过张量分解方法学习广义线性模型的混合模型参数的方法,通过对输入进行特征转换以及使用得分函数张量和响应变量的交叉相关计算可以得到正确的参数估计,且其计算和样本复杂度是输入和潜在维度的低阶多项式。
Dec, 2014
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