Shapley Value as Principled Metric for Structured Network Pruning
ETH Zurich（苏黎世联邦理工学院）；University of Cambridge（剑桥大学）
结构化修剪是一种众所周知的减少神经网络的存储大小和推理成本的技术。通常的修剪管道包括根据网络内部过滤器和激活对网络性能的贡献对它们进行排名，删除贡献最低的单元，并微调网络以减少修剪引起的危害。最近的结果表明，如果有足够的微调资源，随机修剪的性能与其他指标相当。在这项工作中，我们表明，这是不正确的低数据制度时，微调是不可能的或无效的。在这种情况下，减少修剪造成的危害对于保持网络的性能至关重要。首先，我们分析的问题，估计隐藏单元的贡献与合作博弈论提出的工具，并提出Shapley值作为这项任务的原则性排名度量。我们比较了文献中提出的几种替代方案，并讨论了Shapley值在理论上是如何更可取的。最后，我们比较了低数据修剪的挑战性场景中的所有排名指标，在那里我们展示了Shapley值如何优于其他算法。
2020-06-02 cs.CV cs.LG cs.NE
GPrune-LLM: Generalization-Aware Structured Pruning for Large Language Models
Department of Computing, The Hong Kong Polytechnic University, Hong Kong（香港理工大学计算机系）；School of Artificial Intelligence and Data Science, IIT Jodhpur（IIT朱罗浦人工智能与数据科学学院）
本文提出GPrune-LLM框架，通过识别神经元在不同分布下的行为差异，改进结构化剪枝方法，提升模型在分布外任务中的泛化能力。
2026-08-04 cs.AI cs.LG
Ranking and Combining Latent Structured Predictive Scores without Labeled Data
University of Houston（休斯顿大学）；University of Nevada, Reno（内华达大学里诺分校）；Lieber Institute for Brain Development（利伯大脑发育研究所）
针对无标记数据下预测器准确率未知、预测器间存在相关性的集成挑战，提出SUEL模型及两种分解算法，可在模拟和风险基因发现中验证了无需真值即可高效集成相关预测器的有效性。
2024-08-14 cs.LG stat.AP stat.ML
Efficient Regularized Least-Squares Algorithms for Conditional Ranking on Relational Data
University of Turku（图尔库大学）；Ghent University（根特大学）
在像生物信息学、信息检索和社会网络分析这样的领域中，人们可以找到学习任务，其中目标包括推断对象的排名，以特定的目标对象为条件。我们提出了一个通用的内核框架，用于从各种类型的关系数据中学习条件排名，其中排名可以以看不见的数据对象为条件。我们提出了有效的算法，条件排名通过优化平方回归和排名损失函数。我们从理论上证明，使用排名损失的学习可能比回归损失更好地推广。此外，我们证明了关系的对称性或互易性可以在学习模型中有效地实施。对合成数据和真实数据的实验表明，所提出的方法在预测能力和计算效率方面具有最先进的性能。此外，我们还表明经验，将对称性或互易性的属性可以提高泛化性能。
2013-06-08 cs.LG stat.ML
Deep Architectures for Learning Context-dependent Ranking Functions
Paderborn University（帕德博恩大学）
对象排序是偏好学习领域中的一个重要问题。基于以对象的一组排名（通常表示为特征向量）形式的训练数据，目标是学习预测任何新对象组的线性顺序的排名函数。当前的方法通常集中于通过评分进行排名，即，学习一个潜在的潜在效用函数，试图捕捉每个对象的内在效用。然而，这些方法不能考虑上下文依赖的可能影响，其中上下文依赖意味着对象的效用或有用性也可能取决于其他对象可作为替代品。在本文中，我们形式化的问题的上下文相关的排名，并提出了两个一般性的方法的基础上的两个自然表示的上下文相关的排名功能。这两种方法都通过适当的神经网络架构来实例化，并在适当的基准任务上进行评估。
2018-12-06 cs.IR cs.LG cs.NE
Ranking a set of objects: a graph based least-square approach
Research Centre on Interactive Media, Smart Systems and Emerging Technologies (RISE)（交互式媒体、智能系统与新兴技术研究中心（RISE））；IEIIT-CNR (Institute of Electronics, Telecommunications and Information Engineering of the National Research Council of Italy)（意大利国家研究委员会电子、电信与信息工程研究所（IEIIT-CNR））；Politecnico di Torino（都灵理工大学）
我们考虑的问题，排名$N$对象从一组嘈杂的成对比较提供了一群平等的工人。我们假设，物体被赋予了内在的品质，一个物体优于另一个物体的概率只取决于两个竞争者的品质之间的差异。我们提出了一类非自适应排名算法，依赖于最小二乘优化标准的质量估计。这种算法被证明是渐近最优的（即，它们要求$O(\frac{N}{ε^2}\log \frac{N}δ)$比较为$(ε, δ)$ -PAC）。数值结果表明，我们的计划是非常有效的，也在许多非渐近的情况下表现出类似的最大似然算法的性能。此外，我们展示了如何将它们扩展到自适应方案，并在真实世界的数据集上进行测试。
2020-02-26 cs.IR cs.LG
Neural ranking models for document retrieval
Lehigh University（理海大学）
排序模型是信息检索系统的主要组成部分。有几种排名方法是基于传统的机器学习算法，使用一组手工制作的功能。最近，研究人员在信息检索中利用了深度学习模型。这些模型经过端到端的训练，从原始数据中提取特征用于排名任务，从而克服了手工制作特征的局限性。已经提出了各种深度学习模型，每个模型都提供了一组神经网络组件来提取用于排名的特征。在本文中，我们沿着不同的维度比较了文献中提出的模型，以了解每个模型的主要贡献和局限性。在我们的文献讨论中，我们分析了有前途的神经元组件，并提出了未来的研究方向。我们还展示了文档检索和其他检索任务之间的类比，其中要排名的项目是结构化的文档，答案，图像和视频。
2021-11-02 cs.IR cs.LG
Online Structured Prediction via Coactive Learning
Cornell University（康奈尔大学）
我们提出协同学习作为一个学习系统和人类用户之间的交互模型，两者都有一个共同的目标，即为用户提供最大效用的结果。在每个步骤，系统（例如，搜索引擎）接收上下文（例如，查询）并预测对象（例如，排名）。如果有必要，用户通过纠正系统来做出响应，提供稍微改进的-但不一定是最佳的-对象作为反馈。我们认为，这样的反馈往往可以推断出可观察到的用户行为，例如，从点击在网络搜索。通过对用户的基数效用评估预测，我们提出了具有${\cal O}(\frac{1}{\sqrt{T}})$平均遗憾的高效学习算法，即使学习算法从未像传统的在线学习那样观察基数效用值。我们证明了我们的模型和学习算法的电影推荐任务的适用性，以及网络搜索的排名。
2012-06-27 cs.AI cs.IR cs.LG
Active Ranking using Pairwise Comparisons
University of Wisconsin（威斯康星大学）
本文探讨了使用成对比较（两个对象的排名）对一组对象进行排名的问题。通常，$n$对象的排序可以通过使用$n log_2 n$成对比较的标准排序方法来识别。我们感兴趣的自然情况下，对象之间的关系可能允许使用少得多的成对比较排名。具体来说，我们假设对象可以嵌入到$d$维欧几里德空间，排名反映了他们的相对距离从一个共同的参考点在$R^d$。我们表明，在这种假设下，可能的排名的数量增长像$n^{2d}$和演示的算法，可以确定一个随机选择的排名使用略多于$d log n$自适应选择的成对比较，平均。如果比较是随机选择的，那么几乎所有的成对比较都必须进行，以确定任何排名。此外，我们提出了一个强大的，容错的算法，只需要成对的比较可能是正确的。实验研究与合成和真实数据集支持我们的理论分析的结论。
2011-12-10 cs.IT cs.LG math.IT
Unsupervised Ranking of Multi-Attribute Objects Based on Principal Curves
Hebei University（河北大学）
无监督排序在评估应用中面临一个关键挑战，即没有可用的基础事实。当PageRank及其变体在相关主题中显示出良好的解决方案时，它们仅适用于链接结构数据的排名。在这项工作中，我们专注于多属性数据的无监督排名，这在评估任务中也很常见。为了克服这一挑战，我们提出了无监督排名方法设计和评估的五个基本元规则：尺度和平移不变性、严格单调性、线性/非线性能力、平滑性和参数大小的显式性。这些元规则被认为是无监督排名任务的高级知识。受[8]和[14]中工作的启发，我们提出了一种排名主曲线（RPC）模型，该模型学习一维流形函数来对多属性观测执行无监督排名任务。此外，RPC被建模为一个三次Bézier曲线与控制点限制在一个超立方体的内部，从而遵守所有的五个元规则，推断出一个合理的排名列表。以控制点作为模型参数，人们能够理解所学习的流形并从语义上解释排名列表。在两个不同排序应用的开放数据集上进行了RPC模型的数值实验。与现有方法相比，新模型能够给出更合理的排序结果。
2014-02-19 cs.AI cs.LG stat.ML
Inferring object rankings based on noisy pairwise comparisons from multiple annotators
对一组对象进行排序涉及建立允许在该组中的任何一对对象之间进行比较的顺序。通常情况下，由于排名顺序的基础事实不可用，研究人员求助于从多个注释者获得判断，然后基于人群的集体知识推断基础事实。然而，聚合通常是特设的，并且涉及在推断基本事实（例如，多数票）时强加严格的假设。在这项工作中，我们提出了基于期望最大化（EM）的算法，该算法依赖于多个注释者和对象属性的判断来推断潜在的地面真相。该算法学习潜在的地面实况和对象属性之间的关系，以及注释器特定的翻转概率，这是评估注释器质量的一个指标。我们进一步扩展了期望最大化算法，以允许基于手头的对象对的可变翻转概率。我们测试我们的算法在两个数据集与合成注释和研究的影响，注释质量和数量的推断地面真相。我们还获得了其他两个数据集上的结果，并根据数据特征解释了输出趋势。
2016-12-13 cs.LG stat.ML
Ranking a Set of Objects using Heterogeneous Workers: QUITE an Easy Problem
CNR-IEIIT (Institute of Electronics, Telecommunications and Information Engineering of the National Research Council of Italy)（意大利国家研究委员会电子、电信与信息工程研究所）；Politecnico di Torino（都灵理工大学）
针对异质可靠度众包工作者提供的含噪成对比较下的对象排序问题，提出可联合估计工作者可靠度与对象质量的非自适应排序算法QUITE，验证其性能并给出自适应改造方法。
2023-10-03 cs.HC cs.LG cs.PF
Bayesian inference for bivariate ranks
Université du Québec à Montréal（蒙特利尔魁北克大学）；Université de Montréal（蒙特利尔大学）；Université catholique de Louvain（天主教鲁汶大学）
提出了一种基于排名的推荐系统，其中专家对一组对象的排名和用户对这些对象的子集的排名相结合，以预测用户对所有对象的排名。排名被认为是由潜在的连续变量对应的专家和用户的对象分配的等级诱导。专家和用户的等级之间的依赖关系是由一个Copula在一些参数的家庭。给定copula参数的先验分布，在专家完全排序和用户不完全排序的条件下，通过用户完全排序的后验预测分布模型预测用户的完全排序.提出了各种马尔可夫链蒙特卡罗算法来近似预测分布或仅近似其模式。通过对Farlie-Gumbel-Morgenstern Copula函数族的分析，得到了精确的预测分布，为算法的逼近精度提供了一个基准。该方法应用于MovieLens 100 k数据集，专家和用户的等级之间具有高斯copula建模依赖性。
2018-02-09 cs.LG stat.ML
Spuriosity Rankings for Free: A Simple Framework for Last Layer Retraining Based on Object Detection
Sharif University of Technology（谢里夫理工大学）
本文提出一种利用开放词汇目标检测对图像虚假程度进行自动排序的框架，无需人工监督即可筛选干净子集用于最后一层重训练，并在ImageNet-1k上验证了其有效性。
2023-10-31 cs.CV cs.LG
Hierarchical Group-wise Ranking Framework for Recommendation Models
Credit Karma
针对推荐模型批次内负采样多为简单负样本、限制排序性能的问题，提出含残差向量量化分层用户聚类、分层列表式排序损失的分层分组排序框架，近似难负例挖掘，可提升模型校准度与排序准确率，适用于工业推荐系统。
2025-06-15 cs.IR cs.LG
Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter
Beihang University（北京航空航天大学）；Qingdao University（青岛大学）；Stony Brook University（石溪大学）
真正的人类注意是视觉系统与大脑之间的一种交互活动，它利用低层次的视觉刺激和高层次的语义信息。先前的图像显著性目标检测（SOD）工作以多任务方式进行其显著性预测，即，同时执行逐像素显著性回归和类分割显著性细化，这在揭示语义信息方面退化了它们的特征骨干。然而，给定一幅图像，我们倾向于更多地关注那些语义显著的区域，即使这些区域在第一眼看上去并不是最显著的。在本文中，我们将SOD问题分为两个连续的任务：1）我们提出了一个轻量级的，弱监督的深度网络，首先粗略定位这些语义显著区域; 2）然后，作为后处理过程，我们选择性地将多个现成的深度模型融合到这些语义显著区域上，作为逐像素的显著性细化。与主要利用感知线索学习“单幅图像”像素级显著性的SOTA方法形成鲜明对比，该方法研究了“多幅图像之间的对象级语义等级”，其方法更符合真实人类的注意力机制。我们的方法是简单而有效的，这是第一次尝试考虑显着的目标检测主要是作为一个对象级的语义重排序问题。
2020-08-10 cs.CV cs.LG
Ranking vs. Assignment: The Metric Mismatch in Multi-View Object Association
Tevian Moscow（莫斯科Tevian）；Lomonosov Moscow State University（莫斯科国立罗蒙诺索夫大学）
本文揭示了多视角目标关联中常用的排名度量（如AP、FPR-95）与分配目标之间的根本性不匹配，并提出了基于Sinkhorn归一化的后处理方法以缓解该问题。
2026-08-13 cs.AI cs.CV cs.LG
Rank Centrality: Ranking from Pair-wise Comparisons
Yale University（耶鲁大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
聚合成对比较以获得对象集合的全局排名的问题已经很长一段时间了：无论是在线游戏玩家（例如MSR的TrueSkill系统）和国际象棋选手的排名，聚合社会意见，还是基于交易决定销售哪种产品。在大多数情况下，除了获得排名之外，找到每个对象的“分数”（例如玩家的评分）对于理解偏好的强度是有意义的。在本文中，我们提出了排名中心性，一个迭代的排名聚合算法发现得分的对象（或项目）从成对比较。该算法在对象图上具有自然的随机游走解释，如果进行比较，则在一对对象之间存在边缘;对象的得分（我们称之为Rank Centrality）是其在随机游走下的平稳概率。为了研究该算法的有效性，我们考虑流行的Bradley-Terry-Luce（BTL）模型（相当于用于成对比较的多项Logit（MNL）），其中每个对象都有一个相关的分数，该分数决定了对象之间成对比较的概率结果。在本文的主要研究对象--成对边际概率方面，MNL模型和BTL模型是一致的。我们绑定的分数之间的有限样本出错率假设的BTL模型和我们的算法估计。特别地，以高概率很好地学习分数所需的样本数量取决于比较图的结构。当比较图的拉普拉斯算子具有严格正的谱间隙时，例如，将每个项目与随机选择的项目的子集进行比较，这导致对接近阶数最优的样本数量的依赖。
2015-11-12 cs.LG stat.ML
Top-N-Rank: A Scalable List-wise Ranking Method for Recommender Systems
Pennsylvania State University（宾夕法尼亚州立大学）；South China University of Technology（华南理工大学）
我们提出了Top-N-Rank，一种新颖的列表式学习排名模型，用于可靠地推荐N个排名靠前的项目。所提出的模型优化了广泛使用的折扣累积增益（DCG）目标函数的变体，其在两个重要方面不同于DCG：（i）它将DCG的评估仅限于排名列表中的前N个项目，从而消除了低排名项目对学习的排名函数的影响;以及（ii）它结合了允许模型利用具有不同可靠性或可信度级别的多种类型的隐式反馈的权重。由于得到的目标函数是非光滑的，因此优化具有挑战性，我们考虑使用传统的S形函数和校正线性单元（ReLU）对目标函数进行两个光滑近似。我们提出了一个家庭的学习排名算法（Top-N-Rank），工作与任何光滑的目标函数。然后，引入了一个更有效的变体Top-N-Rank.ReLU，该变体有效地利用了ReLU函数的性质，将Top-N-Rank的计算复杂性从用户评分的平均项目数的二次降低到线性。我们使用两个广泛使用的基准测试，即MovieLens数据集和Amazon Video Games数据集的实验结果表明：（i）目标函数的“top-N截断”大大提高了前N个推荐的排名质量;（ii）与使用sigmoid相比，使用ReLU来平滑目标函数在排名质量和运行时间方面都有显着改善;以及（iii）Top-N-Rank.ReLU在排名质量方面大大优于表现良好的列表式排名方法。
2018-12-19 cs.IR cs.LG stat.ML
Low-dimensional Data Embedding via Robust Ranking
Adobe Research（Adobe研究院）
我们描述了一种新的方法，称为t-ETE寻找一组对象在欧几里得空间中的低维嵌入。我们制定的嵌入问题作为一个联合排名问题的一组三元组，其中每个三元组捕获的集合中的三个对象之间的相对相似性。通过利用鲁棒排名的最新进展，t-ETE即使在存在大量噪声的情况下也能产生高质量的嵌入，并且比已知方法（如t-STE和t-SNE）更好地保留局部尺度。特别是，我们的方法在签名数据集上产生了比t-SNE更好的结果，同时计算速度也更快。
2017-05-16 cs.AI cs.LG stat.ML
Integrating Saliency Ranking and Reinforcement Learning for Enhanced Object Detection
University of Malta（马耳他大学）
本研究结合显著性排序与强化学习优化目标检测，通过初始框预测和DQN细化提升精度，在Pascal VOC 2007上达到51.4 mAP，超越现有RL单目标检测器。
2024-08-13 cs.AI cs.CV cs.LG
OneShot: Index-in-Ranking with Neural Scoring for Large-Scale Retrieval
Meta Platforms, Inc.（元平台公司）
本研究针对推荐系统检索阶段排序目标与索引结构不一致的问题，提出OneShot框架，将索引学习与排序目标联合，突破点积瓶颈，部署于Instagram短视频推荐系统，提升了召回率与效率。
2026-08-03 cs.IR cs.LG
Probabilistic Permutation Graph Search: Black-Box Optimization for Fairness in Ranking
University of Amsterdam（阿姆斯特丹大学）
根据不同的基本假设和观点，有几种衡量排名公平性的标准。使用REINFORCE算法的PL优化可用于优化排列上的黑盒目标函数。特别是，它可以用于优化公平措施。然而，尽管PL优化对于具有中等数量的重复会话的查询有效，但是对于具有少量重复会话的查询仍有改进的空间。在本文中，我们提出了一种新的方式来表示置换分布，置换图的概念的基础上。类似于PL，我们的分布表示，称为PPG，可用于公平性的黑盒优化。与使用逐点对数作为分布参数的PL不同，在PPG中，成对反转概率与参考排列一起构建分布。因此，参考排列可以被设置为关于目标函数的最佳采样排列，使得PPG适合于确定性和随机性排序两者。我们的实验表明，PPG，而相当于PL的较大的会话重复（即，随机排序），改进了PL以优化具有一个会话的查询的公平性度量（即，确定性排名）。此外，当准确的效用估计可用时，例如，在表格模型中，与来自学习排序模型的较低质量效用估计相比，PPG在公平性优化中的性能显著提高，导致与PL的大的性能差距。最后，成对概率使得可以施加成对约束，例如"项目$d_1$的排名应该总是高于项目$d_2$"。“这样的约束可以用来同时优化公平性度量和控制另一个目标，如排名性能。
2022-04-28 cs.IR cs.LG
The Graph Cut Kernel for Ranked Data
Queen Mary University of London（伦敦玛丽女王大学）；University College London（伦敦大学学院）；Imperial College London（帝国理工学院）
许多算法的排名数据变得计算棘手的对象的数量增长，由于复杂的几何结构引起的排名。另一个挑战是部分排名，即排名中的偏好只知道所有对象的一个子集。由于这些原因，最先进的方法不能扩展到现实世界的应用程序，如推荐系统。我们通过利用排名数据的几何结构和有关对象的其他可用信息来解决这一挑战，以基于图切割函数导出用于排名的内核。图割核将子模块优化的效率与基于核的方法的理论特性相结合。图割核将子模块优化的效率与基于核的方法的理论特性相结合。
2022-07-17 cs.LG stat.ML
Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees
University of Amsterdam（阿姆斯特丹大学）；Radboud University（拉德堡德大学）
针对现有随机学习排序方法仅支持可微模型、无法应用性能优异的GBDTs的问题，提出海森矩阵估计器并整合进PL-Rank框架，实现首个基于GBDTs的随机学习排序方法，性能达当前最优水平。
2024-05-09 cs.IR cs.LG
Model inference for ranking from pairwise comparisons
Department of Engineering, University of Cambridge, CB2 1PZ, United Kingdom（剑桥大学工程系）
本文提出了一种高效算法，用于从噪声的成对比较中推断对象的强度及概率映射函数，通过实验验证了贝叶斯方法的鲁棒性。
2025-12-17 cs.LG cs.SI stat.ML
Learning to Rank based on Analogical Reasoning
Paderborn University（帕德博恩大学）
对象排序或“学习排序”是偏好学习领域中的一个重要问题。基于以一组表示为特征向量的对象排名的形式的训练数据，目标是学习预测任何新对象集合的线性顺序的排名函数。在本文中，我们提出了一种新的方法，对象排序的基础上类比推理的原则。更具体地说，我们的推理模式是根据所谓的类比比例形式化的，可以总结如下：给定对象$A,B,C,D$，如果已知对象$A$优先于$B$，并且$C$与$D$的关系就像$A$与$B$的关系一样，那么（假定）$C$优先于$D$。我们的方法将此模式作为主要构建块，并将其与基于实例的学习和秩聚合的思想和技术相结合。基于对来自不同领域（体育、教育、旅游等）的数据集的第一次实验结果，我们的结论是，我们的做法具有很强的竞争力。在对象来自不同子域的情况下，它似乎特别有趣，因此需要一种知识转移。
2017-11-28 cs.AI cs.LG stat.ML
Evaluating Artificial Systems for Pairwise Ranking Tasks Sensitive to Individual Differences
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究科）；RIKEN Center for AIP（理化学研究所人工智能研究中心）
由于深度学习的进步，人工系统现在在几个模式识别任务中与人类竞争，例如对象类别的视觉识别。然而，这只是正确答案独立于人类感知存在的任务的情况。还有另一种类型的任务，预测的是人类的感知本身，其中通常存在个体差异。然后，不再有单一的“正确”答案来预测，这使得评估人工系统变得困难。针对对个体差异敏感的两两排序任务，提出了一种评价方法。给定由人工系统生成的多个项目对的排名结果，我们的方法量化了人类生成相同排名结果的概率，并判断它是否与人类生成的结果区分开来。我们引入了人类排序行为的概率模型，并提出了一种有效的计算方法的判断。为了从小样本中准确地估计模型参数，我们提出了一种方法，该方法使用注释者给出的置信度得分来对每个项目对进行排名。以一个根据物体的材料属性对图像对进行排序的任务为例，我们演示了所提出的方法是如何工作的。
2019-05-30 cs.AI cs.CV cs.LG
Uncovering the Riffled Independence Structure of Rankings
Carnegie Mellon（卡内基梅隆大学）
由于$n$对象的排列数在$n$中按因子缩放，表示排列上的分布可能是一项艰巨的任务。最近一种用于降低存储复杂性的方法是利用概率独立性，但正如我们所认为的那样，完全独立性假设对分布施加了很强的稀疏性约束，并且不适合建模排名。我们确定了一类新的独立结构，称为\emph{riffled independence}，包括一个更具表现力的家庭的分布，同时保留了许多必要的属性进行有效的推理和降低样本的复杂性。在随机独立中，一个人独立地绘制两个排列，然后执行\emph{riffle shuffle}，在纸牌游戏中常见，将两个排列组合成一个排列。在排名的上下文中，rifled independence对应于独立地对不相交的对象集进行排名，然后交错这些排名。在本文中，我们提供了一个正式的介绍，rifled独立性和目前的算法，使用rifled独立傅立叶理论框架内，最近的一些论文进行了探讨。此外，我们提出了一个自动化的方法来发现的项目集，这是独立于一个训练集的排名。我们表明，我们的聚类算法可以用来发现有意义的潜在联盟，从真正的偏好排名数据集，并学习层次可分解模型的结构的基础上，随机独立。
2010-06-07 cs.AI cs.LG stat.AP
