归纳式成对排名:突破 nlog (n) 的限制
本文提出了一种新的概率偏好模型 f-BTL,它能更精确地推断带有特征的物品的偏好,在此基础上提出了一个新的最小二乘算法 fBTL-LS,其采样复杂度较低,依赖于物品的特征表述。这项工作展示了排名问题真正的复杂性,并证明了恢复潜在排名所需的样本复杂度的信息论下界。在合成和现实数据上进行了实验验证。
Aug, 2018
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
本文针对协作排名问题展开研究,通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式,实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好,该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。
Jul, 2015
本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进,提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking,并在三个真实世界数据集上进行了实证研究。
Jul, 2021
本文提出了一种基于集合的贝叶斯方法 SetRank 用于协同排序,旨在最大化新颖的集合偏好比较的后验概率。同时作者还经过理论分析表明误差的上界与用户和产品数量成正比。最后,四个真实世界数据集的广泛实验清楚地验证了 SetRank 相对于各种现有技术基线的优越性。
Feb, 2020
本文提出了一种新的学习排序算法 Pareto Pairwise Ranking,该算法不仅在技术准确度方面表现出色,而且在公平性方面是目前 9 种现行算法中最公平的算法。
Dec, 2022
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
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