基于异质 Thurstone 偏好模型的排序聚合
机器学习
2019-12-04 v1 机器学习
摘要
我们提出异质 Thurstone 模型（HTM）用于聚合排序数据，该模型能够考虑不同用户的准确度水平。通过允许不同的噪声分布，所提出的 HTM 模型保持了 Thurstone 原始框架的通用性，并由此将用于成对比较的 Bradley-Terry-Luce（BTL）模型扩展到异质用户群体。在此框架下，我们还提出了一种基于交替梯度下降的排序聚合算法，从含噪成对比较中同时估计底层物品得分和不同用户的准确度水平。我们从理论上证明所提算法线性收敛至一个统计误差，该误差与最先进的单用户 BTL 模型方法相匹配。我们在合成数据和真实数据上评估了所提出的 HTM 模型和算法，表明其优于现有方法。
引用
@article{arxiv.1912.01211,
title = {Rank Aggregation via Heterogeneous Thurstone Preference Models},
author = {Tao Jin and Pan Xu and Quanquan Gu and Farzad Farnoud},
journal= {arXiv preprint arXiv:1912.01211},
year = {2019}
}
备注
36 pages, 2 figures, 8 tables. In AAAI 2020