一种用于偏好识别的新型机器学习方法

在任何领域中，人类偏好或品味通常都是难以以高概率识别或预测的事物。在国际象棋排局领域中同样如此。传统机器学习方法往往侧重于计算机处理海量数据并持续调整人工神经网络中的“权重”以更好地区分例如两组对象的能力。与象棋排局相比，对于什么构成一个排局、什么不构成排局并无清晰界限；更无从区分一个好的排局与一个差的排局。我们提出了一种计算方法，能够从现有的“喜欢”与“不喜欢”排局数据库中学习，从而以更高的概率匹配解题者偏好对新且未见的集合进行排序。该方法使用与每个排局起始局面的 Forsyth-Edwards 记号（FEN）相关的简单“变化因子”，并结合对两个数据库中样本对的重复统计分析。使用作者自己生成的计算机象棋问题集合进行测试，实验结果表明该方法能够对新的未见排局集合进行排序，使得平均而言超过 70% 的偏好排局位于集合的前半部分。这为解题者节省了显著的时间和精力，因为他们更可能更快找到更多自己喜欢的内容。该方法甚至可应用于其他领域，如图像处理，因为它不依赖任何象棋特定规则，而仅依赖对象间充分且可量化的表示“变化”。