使用贝叶斯方法量化序数评分中的方面偏差
人工智能
2017-05-25 v2
摘要
以评分形式表达的用户观点会影响个人对项目的看法。然而，项目的真实质量往往被用户偏差所掩盖，且从观测到的评分中并不明显不同用户对项目不同方面的重视程度。我们提出了一种对观测到的方面评分的概率建模，以推断 (i) 每个用户的方面偏差和 (ii) 项目的潜在内在质量。我们将多方面评分建模为有序离散数据，并通过使用潜在高斯结构来编码不同方面之间的依赖关系。我们利用 stick-breaking 公式结合 P\'{o}lya-Gamma 辅助变量增广来处理高斯 - 分类变量的非共轭性，从而实现简单、完全的贝叶斯推断。在两个真实世界数据集上，我们展示了模型的预测能力及其在学习可解释的用户偏差方面的有效性，从而为更可靠的产品质量估计提供见解。
引用
@article{arxiv.1705.05098,
title = {Quantifying Aspect Bias in Ordinal Ratings using a Bayesian Approach},
author = {Lahari Poddar and Wynne Hsu and Mong Li Lee},
journal= {arXiv preprint arXiv:1705.05098},
year = {2017}
}
备注
Accepted for publication in IJCAI 2017