面向共识排名聚合的基础模型

从多个输入排名聚合出共识排名是具有推荐系统、搜索引擎、人才招聘和选举等应用的基本问题。尽管数十年来在共识排名聚合方面有大量研究，但最小化Kemeny距离仍然是计算上不可解决的。具体而言，确定针对Kemeny距离的最优聚合排名是NP难问题，这限制了其在相对较小规模实例中的实际应用。我们提出Kemeny Transformer，一种 novel Transformer-based algorithm通过强化学习训练来高效近似Kemeny最优排名。实验结果表明，我们的方法优于经典的多数 heuristics 和马尔可夫链方法，显著快于整数线性规划求解器。我们的ethods thus offers a practical, scalable alternative for real-world ranking-aggregation tasks.