SetRank：基于集合贝叶斯方法的隐式反馈协同排名

AAAIFeb, 2020

SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback

Chao Wang, Hengshu Zhu, Chen Zhu, Chuan Qin, Hui Xiong

TL;DR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。

Abstract

The recent development of online recommender systems has a focus on collaborative ranking from implicit feedback, such as user clicks and

发现论文，激发创造

这篇论文介绍了一种基于排列模型的列表式协作排名，通过一个叫做 SQL-Rank 的算法，我们能够得到用户特定的排名结果，并且在大多数情况下超过了当前的最先进算法。

Feb, 2018

研究人员在探索隐性反馈的独特特征之后，提出了 Set2setRank 框架来解决由于用户的行为数据缺乏导致的推荐结果不尽如人意的问题。该框架的优化目标是通过对比已观察到的和未观察到的商品，最大化满足用户偏好的商品排名。

May, 2021

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

本论文提出了一个名为 SetRank 的新型神经学习排序模型，使用自我注意力机制和感知不变性来捕捉跨文档相互作用以及局部上下文信息，从而实现对任意大小文档集的置换不变性排名。与传统的学习排名模型和最先进的神经 IR 模型相比，经实验证明，SetRank 在三个大型基准测试中表现显着优于基线。

Dec, 2019

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

本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。

May, 2012

提出使用 RankFormer 架构来从用户的绝对反馈中学习列表的总体质量并优化排序，模拟的公共数据集与 Amazon 搜索数据集的离线实验结果表明 RankFormer 优于所有基线；通过知识蒸馏可立即在在线实验中使用

Jun, 2023

使用统计框架，我们可以以一定的概率保证，通过人类和强大的大型语言模型的成对比较排名结果覆盖了人类偏好的真实排名。

Feb, 2024

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