用于混合域偏好启发的模理论学习
人工智能
2015-09-01 v3
摘要
本文介绍 CLEO，一种新颖的偏好启发（preference elicitation）算法，能够在混合域中推荐复杂对象，混合域的特征在于离散与连续属性以及定义于其上的约束。该算法假设极少的初始信息，即一组目录属性，并将决策特征定义为组合了关于属性的布尔与代数约束的逻辑公式。决策者（DM）的（未知）效用被建模为特征的加权组合。CLEO 迭代地交替一个偏好启发步骤（基于当前效用模型选择候选解对）和一个精炼步骤（通过纳入接收到的反馈来精炼效用）。启发步骤利用 Max-SMT 求解器根据当前效用模型返回最优混合解。精炼步骤实现为学习排序（learning to rank），并使用稀疏化范数以有利于在候选决策特征的组合空间中选取少量信息性特征。CLEO 是首个能够处理混合域的偏好启发算法，这得益于 Max-SMT 技术的使用，同时保留了 DM 效用中的不确定性与噪声反馈。在复杂推荐任务上的实验结果表明，CLEO 能够快速聚焦于最优解，并能从次优初始选择中恢复。虽然在混合设置中没有竞争者，但当应用于纯离散任务时，CLEO 优于最先进的贝叶斯偏好启发算法。
引用
@article{arxiv.1508.04261,
title = {Learning Modulo Theories for preference elicitation in hybrid domains},
author = {Paolo Campigotto and Roberto Battiti and Andrea Passerini},
journal= {arXiv preprint arXiv:1508.04261},
year = {2015}
}
备注
50 pages, 3 figures, submitted to Artificial Intelligence Journal