Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems
学习排序自2010年左右引入以来，是一种有效的推荐方式。著名的算法，如贝叶斯个性化排名和协作少即是多过滤，在学术界和工业界都留下了深刻的影响。然而，大多数学习排序方法专注于提高技术准确性指标，如AUC，MRR和NDCG。推荐系统的其他评价指标，如公平性，直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明，我们的算法是有竞争力的技术精度指标评估时，与其他算法。更重要的是，在我们的实验部分中，我们证明了Pareto Pairwise Ranking是最公平的算法，与其他9个当代算法相比。
2022-12-06 cs.AI cs.IR cs.LG
From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search
我们将深度学习模型引入到全球最大的电子商业平台之一JD.com的产品搜索中最重要的两个阶段。具体来说，我们概述了一个深度学习系统的设计，该系统可以在几毫秒内检索与查询语义相关的项目，以及一个成对的深度重新排名系统，该系统可以学习微妙的用户偏好。与传统的搜索系统相比，本文提出的方法在语义检索和个性化排序方面有了明显的改进。
2021-03-24 cs.AI cs.IR cs.LG
PoolRank: Max/Min Pooling-based Ranking Loss for Listwise Learning & Ranking Balance
近年来，人们提出了许多神经检索模型。这些模型学习计算给定查询和文档之间的排名分数。大多数现有模型都是直接使用人类判断的标签以成对方式进行训练，而无需进一步校准。传统的成对方案可能很耗时，并且需要预定义的正负文档对进行训练，由于训练和测试条件之间的文档分布不匹配，可能导致学习偏差。一些流行的现有列表模式依赖于强预定义的概率假设和给定查询的相关和非相关文档之间的明显差异，这可能会由于低质量或模糊的相关性标签而限制模型潜力。为了解决这些问题，我们转向物理启发的排名平衡计划，并提出PoolRank，一个基于池的列表学习框架。该方案具有四个主要优点：（1）PoolRank基于模型性能和丰富文档候选者之间的相对排名，从局部最佳候选者中提取训练信息。(2)通过以多任务学习方式组合四个基于池的损失组件，PoolRank自动校准部分相关和高度不相关文档的排名平衡，而无需昂贵的人工检查。(3)PoolRank可以很容易地推广到任何神经检索模型，而不需要额外的可学习参数或模型结构修改。(4)与成对学习和现有的列表学习方案相比，PoolRank在保持有效收敛速度的同时，为所有研究的检索模型提供了更好的排名性能。
2021-08-08 cs.IR
TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model
University of Edinburgh（爱丁堡大学）；Nvidia Research（英伟达研究院）
针对传统成对排序全局效果差、列表式排序调参复杂提升有限的问题，提出将排序重构为旅行商问题的TSPRank混合方法，可集成到现有骨干模型嵌入中，在多任务多模型上显著优于纯成对和列表式方法。
2025-03-23 cs.AI cs.IR
Learning to Rank For Push Notifications Using Pairwise Expected Regret
Twitter（推特）
列表排序损失在推荐系统中得到了广泛的研究。然而，新的内容消费模式对排名方法提出了新的挑战。在这项工作中，我们有助于分析学习排序个性化的移动推送通知，并讨论了独特的挑战，这提出了传统的排名问题相比。为了解决这些挑战，我们引入了一种新的排名损失的基础上加权候选人之间的成对损失的预期遗憾误排序对。我们证明了所提出的方法可以优于以前的方法，无论是在模拟环境中，并在一个主要的社会网络的生产实验。
2022-01-19 cs.IR cs.LG
Minimum Weighted Feedback Arc Sets for Ranking from Pairwise Comparisons
New Jersey Institute of Technology（新泽西理工学院）
本文提出基于组合算法的MWFAS方法，用于改进大规模排名任务，证明其在效率和准确性上的优势。
2025-12-04 cs.AI cs.DS cs.IR
An Empirical Study of Uniform-Architecture Knowledge Distillation in Document Ranking
基于BERT的排序模型在商业搜索引擎中得到了广泛的应用，但对于在线排序任务来说，它们通常是耗时的。知识蒸馏是一种减少在线推理延迟的常用策略，其目的是学习性能与较大模型相当的较小模型。在本文中，我们研究了不同的损失函数的均匀结构蒸馏的BERT排序模型的效果。这里的“统一架构”表示教师和学生模型都在交叉编码器架构中，而学生模型包括小规模的预训练语言模型。我们的实验结果表明，排序任务的最佳蒸馏配置与一般的自然语言处理任务有很大的不同。具体而言，当学生模型处于交叉编码器架构中时，成对丢失硬标签对于训练学生模型至关重要，而中间Transformer层的蒸馏目标可能会损害性能。这些发现强调了仔细设计一个蒸馏策略（交叉编码器的学生模型）的必要性，为文档排序与成对训练样本量身定制。
2023-02-08 cs.IR
PILE: Pairwise Iterative Logits Ensemble for Multi-Teacher Labeled Distillation
预训练的语言模型已经成为排名系统的重要组成部分，并取得了令人瞩目的效果。为了在保持高效计算的同时保持高性能，知识蒸馏被广泛使用。本文研究了排序模型知识蒸馏中的两个关键问题：1）如何集成多教师的知识; 2）如何利用数据的标签信息进行蒸馏。我们提出了一个统一的算法，称为成对迭代Logits枚举（PILE），同时解决这两个问题。PILE集成多教师logits监督的标签信息，在迭代的方式，并取得了竞争力的性能在离线和在线实验。该方法已被部署在一个现实世界的商业搜索系统。
2022-11-11 cs.IR
Fairness in Recommendation Ranking through Pairwise Comparisons
Google（谷歌）
推荐系统是工业中机器学习最普遍的应用之一，许多服务使用它们来将用户与产品或信息相匹配。因此，重要的是要问：什么是可能的公平风险，我们如何量化它们，以及我们应该如何解决它们？在本文中，我们提供了一套新的度量标准，用于评估算法公平性的关注推荐系统。特别是，我们如何衡量公平性的基础上成对比较随机实验提供了一个易于处理的方法来推理公平性的排名推荐系统。在此指标的基础上，我们提供了一个新的正则化器，以鼓励在模型训练期间改进此指标，从而提高最终排名的公平性。我们将这种成对正则化应用于一个大规模的生产推荐系统，并表明我们能够显着提高系统的成对公平性。
2019-03-02 cs.AI cs.CY cs.IR
SPLADE: Sparse Lexical and Expansion Model for First Stage Ranking
在神经信息检索中，正在进行的研究是针对改进排名管道中的第一检索器。学习密集嵌入进行检索使用有效的近似最近邻方法已被证明工作良好。与此同时，人们对学习文档和查询的稀疏表示越来越感兴趣，这可以继承词袋模型的理想属性，例如术语的精确匹配和倒排索引的效率。在这项工作中，我们提出了一个新的第一阶段排名的基础上显式稀疏正则化和对数饱和效应的长期权重，导致高度稀疏表示和竞争力的结果相对于国家的最先进的密集和稀疏的方法。我们的方法很简单，在单个阶段进行端到端培训。我们还探讨了有效性和效率之间的权衡，通过控制稀疏正则化的贡献。
2021-07-12 cs.IR
Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems
针对多任务学习中未发生转化的CTR任务噪声更高的问题，提出成对排序损失（PWiseR）利用转化曝光标签指导模型，在多个公开及工业数据集上AUC指标优于BCE损失。
2024-06-05 cs.IR
Notes on discrepancy in the pairwise comparisons method
当需要确定不同概念（备选方案）之间的相对顺序时，成对比较方法是一种方便的工具。该方法的一个流行的实现是基于解决成对比较矩阵的特征值问题。在这种情况下，采用成对比较矩阵的主特征向量的排序结果，而特征值用于确定不一致性指数。大量的研究已经致力于基于特征值的方法的临界分析。其中之一就是工作（Bana e Costa and Vansnick，2008）。在他们的工作中，作者定义了顺序保持（COP）的条件，并表明，即使是一个足够一致的成对比较矩阵，这个条件也不能满足。目前的工作为确定何时达到缔约方会议确定了更精确的标准。为了制定标准，使用差异因子来描述对排名过程的输入与排名结果有多远。
2014-06-20 cs.DM cs.IR
Detecting User Community in Sparse Domain via Cross-Graph Pairwise Learning
赛博空间承载着用户与不同类型对象之间的大量交互，它们之间的关系通常被封装为二分图。在这种异构图中检测用户社区是发现用户信息需求并进一步提高推荐性能的重要任务。虽然几个主要的网络域携带高质量的图形，不幸的是，大多数其他人可以相当稀疏。然而，由于用户可能出现在多个域（图）中，因此他们在主域中的高质量活动可以在稀疏域中提供社区发现，例如，Google上的用户行为可以帮助成千上万的应用程序在使用Google ID登录这些应用程序时定位他/她的本地社区。在本文中，我们的模型，成对交叉图社区发现（PCCD），提出了应对稀疏图的问题，涉及外部图的知识来学习用户成对社区的接近度，而不是检测直接社区。特别是在我们的模型中，为了避免获取过多的传播信息，使用了两级过滤模块，通过社区和节点级别的过滤器来选择信息量最大的连接。随后，社区递归单元（CRU）的设计，以估计成对用户社区的亲密度。在两个真实世界的图数据集上进行的大量实验验证了我们的模型对几个强大的替代品。补充实验也验证了它的鲁棒性与不同的稀疏度的图。
2020-09-06 cs.IR
A Simple Text Mining Approach for Ranking Pairwise Associations in Biomedical Applications
我们提出了一个简单的文本挖掘方法，很容易实现，需要最少的数据汇集和准备，并且很容易使用的建议排名之间的关联列表的目标条款和一个关键短语。我们称这种方法为KinderMiner，并将其应用于两个生物医学应用程序。第一个应用是识别用于细胞重编程的相关转录因子，第二个是识别用于药物重新定位研究的潜在药物。我们将我们的算法的结果与现有数据和最先进的算法进行比较，证明了这两个应用领域的令人信服的结果。虽然我们在这里应用的算法用于生物医学应用，我们认为，该方法是推广到任何可用的语料库足够大。
2019-06-12 cs.IR q-bio.QM
LazFormer: Scaling Transformers for Industrial Recommendation via Transferable Generative Pre-training
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对工业推荐中Transformer扩展的计算消耗和负迁移问题，提出LazFormer，采用生成式预训练、可迁移残差适配器及非对称多轮训练，提升排序性能。
2026-09-15 cs.IR
Cross Pairwise Ranking for Unbiased Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
大多数推荐系统在观察到的交互数据上优化模型，这受到先前曝光机制的影响，并表现出许多偏差，如流行度偏差。损失函数，如最常用的逐点二进制交叉熵和成对贝叶斯个性化排名，是不是设计来考虑观察数据中的偏差。因此，在损失上优化的模型将继承数据偏差，甚至更糟，放大偏差。例如，一些受欢迎的项目占用了越来越多的曝光机会，严重损害了利基项目的推荐质量-被称为臭名昭著的马修效应。在这项工作中，我们开发了一种新的学习范式，称为交叉配对排名（CPR），实现无偏见的建议，而不知道曝光机制。与反向倾向评分（IPS）不同，我们改变了样本的损失项-我们创新地对多个观察到的相互作用进行一次采样，并将损失作为其预测的组合。我们从理论上证明了这种方法抵消了用户/项目倾向对学习的影响，消除了由暴露机制引起的数据偏差的影响。与IPS相似，我们提出的CPR确保了每个训练实例的无偏学习，而无需设置倾向分数。实验结果表明，CPR优于国家的最先进的去偏的解决方案，在模型的泛化和训练效率。这些代码可在www.example.com上获得。
2022-04-26 cs.IR cs.LG
Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking
RMIT University（皇家墨尔本理工大学）
本研究揭示基于LLM的列表式重排序存在位置偏差，引入多维度评估框架验证其会破坏偏好一致性，且均衡位置曝光无法修复该问题。
2026-08-05 cs.IR
LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
Meta Platforms, Inc.（Meta平台公司）
研究工业广告推荐中稀疏特征排序问题，提出仅用CPU的LO-FAR工作流程，通过轻量级局部估计器排序，在生产数据集上约两小时完成排序，保留下游归一化熵增益，证明简单局部过滤器在成本和周转约束下是实用生产选择。
2026-07-24 cs.IR
Understanding the Ranking Loss for Recommendation with Sparse User Feedback
针对稀疏正反馈下CTR预测中BCE导致负样本梯度消失的问题，本文揭示辅助排序损失通过增大负样本梯度改善优化，并经理论、公开实验及腾讯在线系统验证有效。
2024-07-05 cs.IR
Scalable Personalised Item Ranking through Parametric Density Estimation
CyberAgent, Inc.（赛博特工公司）；Waseda University（早稻田大学）
从内隐反馈中学习是具有挑战性的，因为一类问题的困难性质：我们只能观察到积极的例子。大多数传统的方法使用成对排序方法和负采样器来处理一类问题。然而，这种方法有两个主要缺点，特别是在大规模应用中;（1）由于二次计算成本，成对方法效率非常低;（2）由于训练额外的模型，即使是最近的基于模型的采样器（例如IRGAN）也无法实现实际效率。在本文中，我们提出了一种学习排名的方法，它实现了收敛速度相媲美的逐点对应，同时执行类似的成对对应的排名有效性。我们的方法估计的概率密度的积极项目为每个用户在一个丰富的类的分布，即。\emph{exponential family}。在我们的公式中，我们推导出一个损失函数和适当的负抽样分布的基础上最大似然估计。我们还开发了一个实用的技术风险近似和正规化计划。然后，我们讨论了我们的单模型方法是等价的一个IRGAN变种在一定的条件下。通过在真实数据集上的实验，我们的方法在有效性和效率方面优于逐点和逐对的方法。
2021-05-11 cs.IR cs.LG
Debiased Explainable Pairwise Ranking from Implicit Feedback
University of Louisville（路易斯维尔大学）
最近的工作在推荐系统中强调了公平的重要性，特别是在偏见和透明度，除了预测准确性。在本文中，我们专注于最先进的成对排名模型，贝叶斯个性化排名（BPR），它以前被发现在预测准确性方面优于逐点模型，同时也能够处理隐式反馈。具体来说，我们解决了BPR的两个局限性：（1）BPR是一个黑箱模型，不解释其输出，从而限制了用户对建议的信任，以及分析师审查模型输出的能力;（2）由于数据是非随机缺失（MNAR），BPR容易受到暴露偏差的影响。这种曝光偏差通常会转化为对最不受欢迎的项目的不公平，因为它们有被推荐系统曝光不足的风险。在这项工作中，我们首先提出了一种新的可解释的损失函数和相应的矩阵分解为基础的模型，称为可解释的贝叶斯个性化排名（EBPR），生成建议以及基于项目的解释。然后，我们从理论上量化额外的曝光偏差所造成的可解释性，并使用它作为基础，提出一个无偏估计的理想EBPR损失。其结果是一个排名模型，恰当地捕捉了去偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优点。
2021-07-30 cs.AI cs.IR cs.LG
Few-shot Prompting for Pairwise Ranking: An Effective Non-Parametric Retrieval Model
University of Glasgow（格拉斯哥大学）；IIT Kharagpur（印度理工学院卡拉格普尔分校）
本研究针对零样本排序模型性能弱于有监督模型的问题，提出成对少样本排序方法，通过补充相似查询偏好示例提升效果，在多基准上优于零样本基线，性能接近有监督模型且无需复杂训练流程。
2024-10-04 cs.CL cs.IR cs.LG
Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
Google Research（谷歌研究院）
本文提出成对排序提示（PRP）技术，通过让LLM比较文档对来降低排序难度，首次用中等规模开源LLM在多个基准上超越GPT-4等更大模型，并给出线性复杂度的高效变体。
2024-03-28 cs.CL cs.IR cs.LG
Addressing Class-Imbalance Problem in Personalized Ranking
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Brandeis University（布兰迪斯大学）；Sun Yat-Sen University（中山大学）；Yahoo Research（雅虎研究院）；University of Notre Dame（圣母大学）
成对排序模型已被广泛用于解决推荐问题。其基本思想是通过将项目分为\emph{positive}样本（如果存在用户-项目交互）和\emph{negative}样本（否则）来学习用户偏好项目的排名。由于可观察的相互作用数量有限，成对排序模型面临严重的\emph{class-imbalance}问题。我们的理论分析表明，目前基于采样的方法会导致顶点级别的不平衡问题，这使得学习项目嵌入的范数在一定的训练迭代后趋于无穷大，从而导致梯度消失，影响模型推理结果。因此，我们提出了一种高效的\emph{\underline{Vi}tal \underline{N}egative \underline{S}ampler}（VINS）来缓解成对排名模型的类不平衡问题，特别是对于通过梯度方法优化的深度学习模型。VINS的核心是一个具有拒绝概率的偏差采样器，它倾向于接受具有比给定正项更大程度权重的负候选项。在实际数据集上的测试结果表明，该方法在保持甚至提高top-N项目推荐中排序结果质量的同时，对于由浅入深的排序模型，可以将训练速度提高30%~ 50%.
2020-09-08 cs.IR cs.LG
IteRank: An iterative network-oriented approach to neighbor-based collaborative ranking
基于邻居的协作排名（NCR）技术遵循三个连续的步骤向每个目标用户推荐项目：首先，它们计算用户之间的相似性，然后，它们基于计算出的相似性来估计目标用户的成对偏好的一致性。最后，他们使用估计的成对偏好来推断目标用户的项目的总排名。这种一般的方法面临着一些问题，因为排名数据通常是稀疏的，因为用户通常只比较了几对项目，因此，用户之间的相似性是基于有限的信息计算的，并且不足以准确地推断偏好一致性的真实值，并且可能导致项目的无效排名。本文提出了一个名为IteRank的新框架，它将数据建模为包含用户和成对偏好的二分网络。然后，它同时细化用户的相似性和偏好的一致性使用随机游走方法在这个图结构。它在另一个网络结构中使用第一步中的信息，以同时调整偏好的一致性和项目的排名。使用这种方法，IteRank可以克服由数据稀疏性引起的一些现有问题。实验结果表明，IteRank提高了推荐的性能相比，最先进的NCR技术，使用传统的NCR框架的推荐。
2018-11-04 cs.IR cs.SI
Multiple graph regularized protein domain ranking
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
背景蛋白质结构域排序是结构生物学中的一项基本任务。大多数蛋白质结构域排序方法依赖于蛋白质结构域的成对比较，而忽略了蛋白质结构域数据库的全局流形结构。最近，已经提出了利用由成对相似性定义的图的全局结构的图正则化排名。然而，现有的图正则化排序方法对图模型和参数的选择非常敏感，这对于大多数蛋白质结构域排序方法来说仍然是一个难题。结果针对这一问题，提出了多图正则化排序算法MultiG- Rank. MultiG-Rank不是使用单个图来正则化排名分数，而是通过组合多个初始图进行正则化来近似蛋白质结构域分布的内在流形。图的权重学习与排名分数联合和自动，交替最小化的目标函数的迭代算法。在ASTRAL SCOP蛋白质结构域数据库的一个子集上的实验结果表明，MultiG-Rank比单图正则化排序方法和基于成对相似性的排序方法具有更好的排序性能。结论将多个图结合起来可以有效解决图正则化蛋白质结构域排序中的图模型和参数选择问题。这方面的推广引入了一个新的前沿应用多个图形解决蛋白质结构域排名的应用。
2013-04-21 cs.CE cs.IR cs.LG
Representation Learning and Pairwise Ranking for Implicit Feedback in Recommendation Systems
Univ. Grenoble Alpes/CNRS（格勒诺布尔阿尔卑斯大学/法国国家科学研究中心）；Center for Energy Systems, Skolkovo Institute of Science（斯科尔科沃科技学院能源系统中心）；T-4 and CNLS, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室T-4与CNLS）；Center for Energy Systems, Skolkovo Institute of Science and Technology（斯科尔科沃科技学院能源系统中心）
在本文中，我们提出了一种新的排名框架，协同过滤的总体目标是学习用户的偏好，通过最大限度地减少成对的排名损失。我们表明，最小化问题涉及到相关的随机变量，并提供了一个理论分析，证明了在最坏的情况下，所有用户选择的积极和消极的项目的最小数量的经验风险最小化的一致性。我们进一步推导出一个神经网络模型，共同学习一个新的表示的用户和项目在一个嵌入式空间，以及用户的偏好关系对项目。的学习目标是基于三种情况下的排名损失，控制的能力的模型，以保持从用户的喜好，以及，在学习的嵌入式空间中定义的点积的能力，以产生的排序引起的项目的排序。所提出的模型本质上适合于隐式反馈，并且只涉及很少的参数估计。通过对隐式数据的几个真实世界的基准测试进行广泛的实验，我们显示了与单独学习相比，同时学习偏好和嵌入的兴趣。我们还表明，我们的方法是非常有竞争力的最好的国家的最先进的协同过滤技术提出的隐式反馈。
2018-07-12 cs.CL cs.IR stat.ML
Directional Multivariate Ranking
University of Virginia（弗吉尼亚大学）
用户提供的多方面评价体现了用户对推荐项目的详细反馈，并能够细粒度地了解他们的偏好。大量的研究表明，对这些数据进行建模可以大大提高建议的有效性和可解释性。然而，由于排名在推荐中是必不可少的，因此还没有原则性的解决方案用于在不同方面共同生成多个项目排名。在这项工作中，我们提出了一个方向性的多方面的排名标准，使一个整体的排名项目的多个方面。具体来说，我们认为多方面的评价作为一个整体的努力，从用户形成一个向量，他/她的喜好方面。我们的关键见解是，两个多方面的偏好向量之间的差异向量的方向揭示了成对的比较顺序。因此，有必要为多方面的排名标准，以保持从这样的成对比较观察到的方向。我们进一步推导出一个完整的解决方案的多方面的排名问题的基础上的概率多元张量分解模型。在一个大型TripAdvisor多方面评分数据集和一个Yelp评论文本数据集上的综合实验分析证实了我们的解决方案的有效性。
2020-06-09 cs.IR cs.LG stat.ML
Confidence and Stability of Global and Pairwise Scores in NLP Evaluation
Neapolis University（尼泊尔大学）；JetBrains（JetBrains公司）
本文通过合成与真实数据集实验，对比全局分数与成对比较的优缺点，发现全局分数排名更可靠但可能低估特定强模型，成对比较易识别低全局分强模型但平局频繁时收敛慢，为模型评估策略选择提供依据。
2025-07-02 cs.CL cs.IR
Pairwise Ranking Losses of Click-Through Rates Prediction for Welfare Maximization in Ad Auctions
The University of Chicago Booth School of Business（芝加哥大学布斯商学院）；Google Research（谷歌研究院）；Stanford University（斯坦福大学）
本文面向广告拍卖社会福利优化，提出无需eCPM分布假设的加权成对排序损失及教师标签校准方法，并在合成与真实数据上验证其优势。
2023-06-01 cs.GT cs.IR cs.LG
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback
University of Science and Technology of China（中国科学技术大学）；Baidu Talent Intelligence Center, Baidu Inc.（百度人才智能中心（百度公司））；Business Intelligence Lab, Baidu Research（百度研究院商业智能实验室）
最近发展的在线推荐系统的重点是从隐式反馈，如用户点击和购买的协作排名。与反映分级用户偏好的显式评分不同，隐式反馈仅生成正面和未观察到的标签。虽然在这方面已经作出了相当大的努力，但众所周知的成对和列表方法仍然受到各种挑战的限制。具体而言，对于成对方法，独立的成对偏好的假设并不总是在实践中举行。此外，由于整个列表排列的前提条件，列表方法不能有效地容纳“领带”。为此，在本文中，我们提出了一种新的setwise贝叶斯方法的协作排名，即SetRank，内在地容纳在推荐系统中的隐式反馈的特点。具体来说，SetRank的目标是最大化新的setwise偏好比较的后验概率，可以用矩阵分解和神经网络来实现。同时，对SetRank进行了理论分析，证明了SetRank的超额风险界与$\sqrt{M/N}$成正比，其中$M$和$N$分别为项目数和用户数.最后，在四个真实世界数据集上进行的广泛实验清楚地验证了SetRank与各种最先进的基线相比的优越性。
2020-02-23 cs.IR cs.LG stat.ML
LLM-RankFusion: Mitigating Intrinsic Inconsistency in LLM-based Ranking
Oregon State University（俄勒冈州立大学）；Pennsylvania State University（宾夕法尼亚州立大学）
针对基于LLM的排序方法存在的顺序不一致和传递不一致问题，提出LLM-RankFusion框架，通过上下文学习校准偏好概率及聚合多排序器结果缓解不一致，提升排序质量。
2024-11-26 cs.AI cs.CL cs.IR
Bounded-Abstention Pairwise Learning to Rank
Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心）；University of Trento（特伦托大学）；University of Pisa（比萨大学）
提出一种基于条件风险阈值的成对排序弃权方法，理论刻画最优策略，设计模型无关的插件算法，实验验证有效性。
2026-06-05 cs.AI cs.IR cs.LG
