本文基于离散选择建模，针对整体权衡、最大化一致性或不一致性以及促进特定选择等问题，提出了一种优化框架，着重研究了直接更改选择集合对决策者群体偏好的影响，通过限制条件的引入，揭示了不同问题之间的基本边界，为难以解决的问题设计了近似算法，并展示了这些算法在现实世界的应用。

Feb, 2020

本文介绍了一种基于非参数估计的选择模型，该模型使用神经网络逼近各种现有选择模型，并扩展到包括对内生特征的估计，同时介绍了一种有效的置信区间构建方法，使用真实数据进行了实证分析，并验证了其在实际应用中的可行性。

Jul, 2023

通过引入自注意力的神经网络结构，本研究提出了第一个成功利用现代神经网络概念的选择模型，理论和实践都证明了该模型相对于现有模型在实际数据上更具优势。

Nov, 2023

离散选择模型与神经网络相比，在预测客户购买概率方面表现得更具表现力、能够捕捉客户异质性和行为，但难以估计且无法捕捉客户行为的许多显著特征。本文首先研究了单个神经网络架构是否能够预测来自不同背景和模型假设下的购买概率。接下来，我们开发了一种适用于现成整数规划求解器的组合优化公式。在模拟和实际数据集上与各种基准离散选择模型进行了比较，同时通过一些训练技巧使神经网络预测及后续优化具备鲁棒性，并能与其他模型相媲美。

Aug, 2023

通过因果推断的方法适应离散选择设置，使用选择者的协变量进行反向概率加权和 / 或回归控制，以便在一定假设下准确地恢复个体偏好。当这些协变量不可用或不充分时，使用结构化选择集分配的方法来提高预测准确性，并在真实世界的选择数据上展示了方法的有效性，从而使在酒店预订和通勤交通等情况下发现的选择与理性的效用最大化更加一致。

May, 2021

引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。

Jul, 2023

本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。

May, 2019

本文研究了一种小心的学习方法，用于预测在二进制属性之间选择的偏好和多属性偏好表达式建模的可靠性。我们采取了谨慎的态度，并使用支配关系（dominance relation）来进行预测，使用了多属性效用函数的参数不确定集来规定这种关系。

Jun, 2022

通过预测人类在经济资本决策任务中的选择来测试行为决策理论在预测人类行为方面的帮助作用，并发现将某些行为理论作为机器学习系统特征进行集成提供了最佳预测结果。同时，我们发现预测人类决策最有用的理论是建立在人类和动物学习的基本属性之上，与主流拓展类决策理论有很大不同。此外，我们发现理论特征不仅应基于定性行为见解（例如损失厌恶），还应基于具有功能描述性模型生成的定量行为远见（如前景理论）。我们的分析提出了一个推导出可解释且有用的人类决策预测的方法。

Apr, 2019

研究对比选择函数的查询复杂性和距离对比选择函数，并且指出任何一维比较选择函数都可以像基本的最大或最小选择函数一样高效地推断出来，这表明选择集效应不需要推断任何基本的算法障碍。

May, 2017