竞争性群组推荐系统的数学建模及其在同行评审系统中的应用

在本文中，我们提出了一个数学模型，以捕捉可能影响竞争性群组推荐系统准确性的各种因素。我们将此模型应用于同行评审系统，即会议或科研基金评审，这是我们科学界的重要组成部分。我们探讨了若干重要问题，例如：每篇论文的评审数量将如何影响整体推荐的准确性？评分聚合策略是否会影响最终推荐？评审者的偏好将如何影响最终推荐的准确性？为了回答这些重要问题，我们对我们的模型进行了形式化分析。通过这一分析，我们获得了如何设计一种随机算法的见解，该算法在评估竞争性群组推荐系统的准确性时兼具计算效率和渐近准确性。我们得出了若干有趣的观察结果：例如，对于中等档次的会议，每篇论文三次评审足以实现高准确性的推荐。对于顶级会议，可能需要每篇论文至少七次评审才能实现高准确性。我们还提出了一种异构评审策略，该策略需要相等或更少的评审工作量，但在推荐准确性上最多可比同构评审策略提高 30%。我们相信我们的模型和方法论是研究竞争性群组推荐系统的重要基础模块。