本文研究了一种可灵活处理成对比较数据的模型，该模型只需要满足自然形式的随机可比性即可，相较于传统的参数模型更加通用，提供了各种重要的子类来提高计算可行性，该模型的矩阵概率也可以像标准参数模型那样进行估计。

Oct, 2015

本文关注 Bradley-Terry-Luce 模型中的成对比较问题，并通过对图论的分析，提出了能够在有限条件下对排名进行准确估计的算法，并在大规模实验中证实了该算法的可行性。

Apr, 2023

文中提出了一种基于序列或主动排名的算法，该算法基于嘈杂的成对比较将一组 n 个项目排名并将这些项根据其得分分成预先指定大小的集合；本文针对这种算法进行了分析，证明了在某些情况下具有最优性并且不需要任何假设，比如在参数模型下进行的排名。

Jun, 2016

本研究旨在通过成对比较的数据形式，使用 Copeland 计数算法实现对 n 个项目的排序，使其具有计算效率高，鲁棒性强，接近信息论极限等特点，并将结果扩展到汉明距离度量下的近似恢复问题和任意错误要求条件下的恢复问题。

Dec, 2015

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

本文提出了一种迭代的排名聚合算法 ——Rank Centrality，该算法基于随机游走解释，用于发现从成对比较中学习出的对象分数。该算法的有效性以 Bradley-Terry-Luce（BTL）模型为例，并通过边界收敛速度分析方法估计出了对 BTL 模型假定分数与算法估计分数之间的有限样本误差率。

Sep, 2012

本文研究了 Thurstonian 和 Bradley-Terry 模型在对比数据分析领域中的应用，对它们的扩展进行了概述，重点介绍了对于依赖比较的情况，采用成对似然估计的实现方法，得出与其它有限信息估计方法相比较的性能。应用一组学生进行的大学对比数据集进行验证。

Oct, 2012

本文介绍一种基于 Bradley-Terry-Luce 模型的方法，使用 pairwise comparisons 进行 top-K ranking，证明 spectral method alone 和 regularized MLE alone 在特定 dynamic range 内的样本复杂度最小，并通过数值实验验证了它们的低误差。

Jul, 2017

本文研究了具有单调对手的前 K 名排名问题，在随机生成的比较图的基础上，统计学家的目标是根据半随机比较图中的成对比较，准确地确定前 K 名的首选项目。主要贡献是开发了一种加权的最大似然估计器，它在样本复杂度方面实现了接近最优的性能，最多有对数因子 (log^2 (n))，其中 n 是比较的项目数量。通过分析和算法创新的组合实现了这一目标。

Feb, 2024

本文探讨了基于偏好的 top-K 排名聚合问题，并使用 Bradley-Terry-Luce 模型来表征隐含的偏好分数，提出了一种名为 Spectral MLE 的几乎线性时间排名方案，并揭示了可靠排名所需的最小采样复杂度和分离测度之间的关系。

Apr, 2015