一种面向多利益相关方优化的在线市场多目标学习重排序方法

多目标推荐系统致力于解决推荐与多个（可能相互冲突的）标准相关的项目的困难任务。然而，这些系统通常被设计为满足单一利益相关方的目标，在在线商务中，通常是消费者，其输入和购买决策最终决定推荐系统的成功。在这项工作中，我们处理涉及每个利益相关方一个或多个目标的多目标、多利益相关方推荐问题。除了消费者这一利益相关方，我们还考虑另外两个利益相关方：提供待售商品和服务的供应商，以及负责通过其推荐算法帮助连接消费者与供应商的中介方。我们从在线市场中介方的角度分析这个多目标、多利益相关方问题，中介方的目标是通过其推荐系统最大化其佣金。我们定义了一个关联所有三个利益相关方的多目标问题，并通过一种新颖的学习重排序方法来解决，该方法利用基于Kendall tau相关度量及其核版本的新型正则化函数；给定为消费者构建的初始项目推荐排序，我们旨在对其进行重排序，使得新排序在保持接近初始排序的同时，也为次要目标进行优化。我们在Expedia提供的真实世界酒店推荐数据集上评估了我们的方法，展示了其相对于基于业务规则的基线模型的有效性。