归纳式成对排序：超越 n log(n) 壁垒
机器学习
2017-02-10 v1 信息论
math.IT
机器学习
摘要
我们研究从非主动选择的成对偏好中对一组物品进行排序的问题，其中每个物品带有特征信息。我们提出并刻画了一类非常广泛的偏好矩阵，其产生了特征低秩（FLR）模型，该模型包含了从经典的Bradley-Terry-Luce (BTL) 和 Thurstone 模型到最近提出的 blade-chest 和通用低秩偏好模型的数种模型。我们利用在存在辅助信息情况下的矩阵补全技术，开发了归纳式成对排序（IPR）算法，该算法在FLR模型下以样本高效的方式可证明地学习到良好的排序。在实践中，通过系统的合成模拟，我们证实了关于利用特征信息降低样本复杂度的理论发现。此外，在流行的真实世界偏好学习数据集上，仅使用成对比较的10%采样，我们的方法就能恢复出良好的排序。
引用
@article{arxiv.1702.02661,
title = {Inductive Pairwise Ranking: Going Beyond the n log(n) Barrier},
author = {U. N. Niranjan and Arun Rajkumar},
journal= {arXiv preprint arXiv:1702.02661},
year = {2017}
}