集合添加问题中上下文与非上下文偏好排序的比较

在本文中，我们研究评估向集合中添加元素的问题。该问题较为困难，因为在一般情况下，它无法化简为选项间无条件的偏好比较。因此，我们基于决策上下文对偏好进行建模。我们讨论并比较了用于该任务的两种不同孪生网络架构：一种比较添加后所得两个集合的孪生网络（twin network），以及一种对每个候选元素对现有集合的贡献进行建模的三元组网络（triplet network）。我们在一个真实任务上评估这两种设定：学习集换式卡牌游戏《万智牌》（Magic: The Gathering）中人类用于牌组构建的卡牌偏好。我们表明，三元组方法取得了优于孪生网络的结果，且两者均超越了该任务上的先前结果。