学习丰富排序

尽管排序的基础已经确立，但排序文献主要关注简单的单峰模型，例如Mallows和Plackett-Luce模型，这些模型定义了围绕单个全序的分布。显式混合模型为建模多模态排序数据提供了一些工具，但从数据中学习此类模型通常很困难。在这项工作中，我们贡献了一个上下文重复选择（CRS）模型，该模型利用选择建模的最新进展，为排序空间带来了自然的多样性和丰富性。我们通过结构依赖的尾部风险和期望风险界，为模型下的最大似然估计提供了严格的理论保证。作为副产品，我们还首次为多项Logit（MNL）选择模型和Plackett-Luce（PL）排序模型的最大似然估计的期望风险提供了紧界，并为PL排序模型提供了第一个尾部风险界。CRS模型在多种设置下（从比赛到排名选择投票）显著优于现有建模真实世界排序数据的方法。