该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

Sep, 2017

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

本文提出了一种基于项目投影的共同聚类算法，以解决处理双向图时向量空间模型表现的问题。通过在聚类检索任务中测试，该算法能够产生平衡良好的聚类和相关项目，并导致高的检索得分。

Sep, 2021

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

本文提出了两种基于新定义的正则化拉普拉斯矩阵的算法，用于估计分类数据的潜在类模型。我们在考虑稀疏性参数的基础上，通过理论收敛速度证明了我们的算法在温和条件下能稳定产生一致的潜在类分析结果，并提出了根据这一度量指标设计的若干程序来推断实际分类数据中应使用的潜在类的数量。通过广泛的模拟实验证实了我们算法的效率和准确性，并进一步将它应用于实际分类数据，取得了令人满意的结果。

Oct, 2023

本文提出一种标签排名方法，来解决在线服务个性化广告推荐的问题，该方法在真实广告数据集上的表现强于现有解决方案，特别是在大规模排名问题上。

Jun, 2016

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

研究了匹配和其他相关问题，提出一种只使用有限的偏序信息设计近似算法的模型，并证明当隐含权重满足度量不等式时，可以实现 1.6 倍近似度的匹配，以及利用匹配算法的黑箱设计了其他多个近似算法，推动了该问题的研究。

Dec, 2015

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