本文提出了一个新的 Bayesian 方法，以实现 Mallows rank 模型的有效计算，并推导出该模型下的共识排序，特别是当考虑到部分排序时，也给出了考虑到评估者个体差异的混合模型，同时在推荐系统中对评估者进行类别预测。

May, 2014

本文提出了一种基于贝叶斯的 Plackett-Luce 混合模型用于分析部分排名数据中未被观测到的样本异质性。

Jan, 2015

本文提出了一种名为 PL-Rank 的新算法，用于估计 PL 排名模型关于相关性和公平度量的梯度，相比现有的策略梯度方法，PL-Rank 的采样效率更高且计算成本更低，可以用于更真实、更公平的实际排名系统。

May, 2021

本文提出了第一个多项式时间算法，利用张量分解技术学习两个 Mallows 模型混合的参数，解决了之前没有理论保证且容易卡在局部最优解的问题。

Oct, 2014

本研究提出了一种用于近似计算一般偏序排名的 Multinomial Logit 概率的可扩展方法，特别在选择基于网络形成建模问题中的参数估计方面表现出更准确和更好的数据拟合。

Dec, 2021

利用大型语言模型（LLMs）对一组项进行排名已成为推荐和检索系统中的常见方法。本文通过引入适用于评估各种项目类型和条件的多条件排名的基准 MCRank，对 LLMs 进行了分析，表明随着项目和条件数量以及复杂性的增长，性能显著下降。为克服这一限制，我们提出了一种新颖的分解推理方法 EXSIR，通过提取和排序条件，然后迭代地对项目进行排名，显著提高了 LLMs 的性能，达到了现有 LLMs 的 12％的改进。我们还对 LLMs 在各种条件类别下的性能进行了详细分析，检验了分解步骤的有效性。此外，我们将我们的方法与 Chain-of-Thought 和编码器类型的排名模型等现有方法进行了比较，展示了我们方法的优越性以及 MCR 任务的复杂性。我们已发布了我们的数据集和代码。

Mar, 2024

本研究提出一种学习排序的公式，并针对文档相似性和排名上下文，提出几种可扩展的算法，优化满足用户需求的数量，是从文献中的 “排名老虎机” 和 “Lipschitz bandits” 两个多臂老虎机模型推广的。经实验证明，我们的算法学习速度比以前的方法快几个数量级。

May, 2010

本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架，用于学习随机效用模型 (RUMs)，包括 Plackett-Luce 模型，并利用证明严格对数凹性在卷积和边际化下得以保持的方法，表征了 RBCML 的目标函数为严格对数凹性的条件，进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明，高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好，而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。

Jun, 2018

本文提出了一种基于 Plackett-Luce（PL）模型和神经网络的排序深度预测算法，在零样本情况下对多个基准数据集进行了评估，相较于现有的排序和回归方法，表现出了更高的有效性。

Oct, 2020

通过引入对比一致性搜索（CCR）方法，我们研究了语言模型排名任务中的一致性排名，结果证实 CCR 探测优于提示，甚至与提示更大的语言模型性能相当。

Sep, 2023