Apr, 2015

从成对比较学习混合成员 Mallows 模型

PDF
TL;DR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。
mixed membership mallows modelslatent mallows componentstopic modelsseparable topic discoveryreference rankings
发现论文，激发创造
  • 高效学习 Mallows 模型混合

    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

  • Mallows 排名模型的概率偏好学习

    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

  • 学习排序模型混合物

    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

  • 基于 Mallows 模型的同心混合模型用于 top-$k$ 排名：采样与可识别性

    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

  • 主题建模方法在排名中的应用

    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

  • 从顺序数据中学习混合多项式逻辑回归模型

    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

  • 一对多：多用户同时度量和偏好学习

    本文研究了从一群回答者中同时进行偏好和度量学习的问题，旨在捕捉单个用户的偏好和相似度度量标准，同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量，证明了该模型足够灵活，能够有效地满足不同需求，并提高了学习的样本复杂度，最终在模拟数据和真实数据中进行了实际效果验证。

    Jul, 2022

  • 指数族置换估计

    本文研究一类排列上的指数族，并计算其规范化常数的渐近性质，证明 MLE 及一种可计算的近似 MLE 是一致的，证明 Besag 的伪似然估计是 sqrt（n）- 一致的，证明了迭代算法（IPFP）收敛于极限规范化常数，并且对应用于 Mallows 模型和 Kendall's Tau 的情况进行了分析。

    Jul, 2013

  • 具有上下文依赖显著特征的偏好建模

    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

  • 从成对比较中同时学习偏好和度量

    本文介绍了一种新的方法，该方法针对推荐系统中的偏好建立了一种 Mahalanobis 度量，进而学习理解用户对物品的理想点。

    Sep, 2020