Generalized Top-k Mallows Model for Ranked Choices

经典 Mallows 模型是建模用户偏好的最基础工具之一，但在现实场景中存在局限——用户往往只关注有限的偏好项目集合，对于其余项目则漠不关心。为此提出了 top-k Mallows 模型等扩展方案，更贴合实际应用。本文针对广义 top-k Mallows 模型提出若干挑战，聚焦买家选择行为。我们的主要贡献包括：(1)针对广义 top-k Mallows 模型的新型抽样方案；(2)计算该模型下选择概率的高效算法；(3)基于观察到的选择数据的参数主动学习算法。这些贡献为关键决策场景中的分析与预测提供了新工具。我们对算法性能进行严格的数学分析。此外，通过在合成数据和真实数据上的大量实验，展示我们所提方法的可扩展性与准确性，并比较了 Mallows 模型对 top-k 列表的预测能力与简单 Multinomial Logit 模型的优劣。