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
该研究提出了一种面向结构预测问题的列表学习框架,通过直接对整个翻译列表进行建模,学习可以更好地适应给定列表样本的参数,并提出了更加敏感于排名错误的顶级增强列表损失函数。研究结果表明,该列表学习框架和顶级增强列表损失函数均可以显著提高翻译质量。
Jul, 2017
该研究提出了一种基于低秩假设的推荐算法,用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略,经过实验证明,该方法将 Top-N 推荐的准确性提升到了一个新的水平。
Jan, 2016
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
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。
Feb, 2017
提出了一个新的置换相关的推荐系统架构 PRF,并且通过在淘宝应用程序的实际应用中取得 11.0%的 PV 平均值和 8.7%的 IPV 平均值,性能超过当前最先进的方法。
Feb, 2021
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
介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能,并使用结构化估计在希尔伯特空间中进行直接优化,所提出的算法被证明是快速且表现良好。
Apr, 2007