Feb, 2017

归纳式成对排名：突破 nlog (n) 的限制

PDF
TL;DR该研究提出了路面低秩（FLR）模型，通过矩阵完成技术和的 FLR 模型中的侧面信息开发 归纳成对排名（IPR）算法，在 FLR 模型下有证据表明它以样本高效的方式学习用于排名的 FLR 模型。
发现论文，激发创造
  • 特征排序：算法和图论分析

    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

  • 普通图和局部图的成对比较排名

    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

  • 私人成对排名的速率最优等级聚合

    采用随机响应机制来保护原始的成对排序，确保在下游排序聚合中对真实偏好和排序进行一致估计，并建立了隐私保护的最优保证与估计误差之间的最小最大速率。

    Feb, 2024

  • 基于成对比较的大规模协作排名偏好数据填充

    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

  • 去偏见的隐性反馈可解释的成对排名

    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

  • SetRank：基于集合贝叶斯方法的隐式反馈协同排名

    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

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 基于 Pareto 双向排序的推荐系统公平性增强

    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

  • 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

  • 简单、健壮且最优排名的配对比较

    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