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

本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。

Jun, 2014

考虑到只观察到节点级别的交通流量并学习边缘转换概率，我们将其描述为偏好学习问题，并研究选择遵循卢斯公理的模型。我们表明如何使推断问题具有很好的形式，无论网络结构如何，并提出了 ChoiceRank 算法，可扩展到包含数十亿节点和边缘的网络。该模型应用于两个点击流数据集，成功地恢复了转换概率，仅使用网络结构和节点级别的流量数据。最后，我们还考虑了对移动网络的应用，并将该模型应用于纽约市的共享单车系统一年的骑行数据。

Oct, 2016

基于似然比的推理原则重新考虑，提出了使用似然比构建任意时间有效的置信序列方法，适用于具有良好似然度的问题，而且结果保持模型无关的预定覆盖率；同时，研究了如何选择最佳的估计器序列以及与在线凸优化算法（例如 Follow-the-Regularized-Leader）的关联，提出了一种去偏的重新加权方案，可用于非参数设置，并通过非渐近分析确定了广义线性模型中的置信集大小，并在广义线性赌博机问题、生存分析和带有不同加性噪声分布的赌博机上展示了方法的实际优势。

Nov, 2023

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

采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

Dec, 2023

本文提出了对随机效用模型的条件，使其在 Bayesian 框架下通过 MC-EM 得到快速推理，并提供了对于广泛随机效用模型选择（包括 Plackett-Luce model）的具有标度性和能力的实际和模拟数据的结果解，这些条件提供了凸对数似然函数和全局最大解集的有界解。

Nov, 2012

本文提出使用交集概率作为将概率区间转化成决策的最自然方法，并着重讨论了其可信原理作为概率的单纯剖面对决策的意义。

Jan, 2022

本文介绍了一种名为 Neural Choice by Elimination 的新框架，将深度神经网络集成到概率顺序选择模型中，用于学习排名。该框架集成了最近引入的 Neural Highway Networks 以近似任意复杂的排名函数，证明了本方法在大规模公共数据集上具有与最先进的学习排序方法相竞争的性能。

Feb, 2016