本文讨论了如何通过用户反馈学习模式的质量函数，并提出了使用更复杂的直接从模式排名派生的特征来替代现有方法中的低级特征，以及如何将多样性约束纳入交互式挖掘系统中。实验结果表明，在参数选择和特征工程方面的优化会提高挖掘算法的性能。

Apr, 2022

该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。

Dec, 2020

本研究旨在探讨如何通过从用户中收集排名决策策略来参与算法设计，以替代传统需要人工标记成本高昂的方法，并借助两个用例的实证数据表明，我们提出的弱监督学习方法可以几乎与完全监督方法一样准确地理解用户的偏好和选择。

May, 2020

本文提出了一种新的通过模式采样和互动数据挖掘相结合的方法 - LetSIP 算法来解决模式挖掘中的冗余问题，并利用用户反馈直接学习代表用户兴趣的采样分布的参数，该方法在模式挖掘中表现出速度更快、效果更好的优势。

Feb, 2017

本文介绍了一种方法，帮助用户选择公平的准则权重，在多维空间中为一系列公平准则展示出满足这些准则的区域，如果不满足相应准则，提供最小的修改建议。实验证明，该系统能够有效地满足公平性要求。

Dec, 2017

该研究提出了一种基于 MoE 框架和对比学习的个性化排序方法 AW-MoE，能够有效地处理长尾用户和不同用户的个性化特征交互，并在真实的京东数据以及公共数据集上验证了其有效性和优越性。

Jun, 2023

本研究提出了新颖的偏好学习方法，以解决存在时间标准的多准则排序问题。这项研究介绍了一种凸二次规划模型和一个集成学习算法，同时还引入了一种新颖的单调循环神经网络 (mRNN)，并对提出的模型进行了综合评估。研究结果表明，与多种基准方法相比，所提出的模型实现了显著的性能改进。

Sep, 2023

本文介绍了一种新的路径模式表示方法 —— 专注路径排序，以及一种利用类型层次结构的实体从数据中发现新路径模式的 RNN 模型，并在 WN18RR 和 FB15k-237 数据集上展示了比现有方法更好的事实预测任务表现。

May, 2019

本文提出了一种针对多方面排名问题的方向性多方面排名准则，并基于概率多元张量分解模型推导了完整的解决方案，实验证实了该方案在大型数据集上的有效性。

Jun, 2020

将统计显著性和判别能力准则融入现有算法，同时保持模式质量，以引导模式发现，并通过三个案例研究证明其在发现具有显著改进的模式中的重要性。

Jan, 2024