从一般偏序排名中快速学习 MNL 模型及其在网络形成建模中的应用
机器学习
2022-01-03 v1 人工智能
信息检索
摘要
多项 Logit（Multinomial Logit, MNL）是最流行的离散选择模型之一，已被广泛用于建模排名数据。然而，从许多真实世界排名数据中学习 MNL 存在一个长期的技术挑战：对\emph{偏序排名}的 MNL 似然进行精确计算通常是难处理的。在本工作中，我们开发了一种在多项式时间复杂度下逼近一般偏序排名的 MNL 似然的可扩展方法。我们还将所提方法扩展至学习 MNL 混合模型。我们证明所提方法特别有助于基于选择的网络形成建模应用，其中网络中新边的形成被视为个体在候选集上对其朋友做出选择。在此类应用中，从偏序排名学习 MNL 混合模型的问题自然出现。所提方法可用于从网络数据学习 MNL 模型，而无需所有边形成时间顺序均可获得的强假设。我们在合成与真实世界网络数据上进行了实验，表明与常规方法相比，所提方法实现了更准确的参数估计与更好的数据拟合。
引用
@article{arxiv.2112.15575,
title = {Fast Learning of MNL Model from General Partial Rankings with Application to Network Formation Modeling},
author = {Jiaqi Ma and Xingjian Zhang and Qiaozhu Mei},
journal= {arXiv preprint arXiv:2112.15575},
year = {2022}
}
备注
WSDM 2022