Hybrid Multi-Criteria Preference Ranking by Subsorting
针对多准则推荐中帕累托排序分数不可微的问题,提出一种结合主排序与子排序的混合多准则排序方法,并在OpenTable和Yahoo!Movies数据上验证了其优势及对Top-N推荐的可持续性。
2023-06-20 cs.IR
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
Shenzhen University(深圳大学);Kuaishou Technology(快手科技)
针对视频推荐中上游多任务模型输出的用户偏好预测含噪导致的排序不稳定问题,提出双侧鲁棒集成排序框架DrEM,通过风险去噪鲁棒损失与排序一致性正则化提升性能,经实验验证有效。
2026-08-14 cs.IR
K-order Ranking Preference Optimization for Large Language Models
针对现有列表式方法优化偏序或全序的局限性,提出K阶排序偏好优化(KPO),通过扩展Plackett-Luce模型适应top-K排序,并支持动态确定K值与课程学习,显著提升了样本效率与噪声鲁棒性。
2025-05-31 cs.IR
Beyond Positive History: Re-ranking with List-level Hybrid Feedback
针对重排序仅利用物品级正反馈的问题,提出 RELIFE,通过解耦兴趣、序列偏好混合和比较感知模式提取建模列表级混合反馈,并以对比学习对齐历史与候选列表模式,显著超越现有 SOTA 基线。
2024-10-28 cs.IR
PreferRec: Learning and Transferring Pareto Preferences for Multi-objective Re-ranking
Shenzhen University(深圳大学);Shenzhen Technology University(深圳职业技术大学)
PreferRec通过建模和迁移帕累托偏好提升多目标重排序性能,解决传统方法在用户偏好建模和跨用户知识迁移中的不足。
2026-03-23 cs.IR cs.NE
Leveraging the Dynamics of Leadership in Group Recommendation Systems
针对传统群体推荐忽视成员互动的问题,本文提出基于图论建模成员关系与信任动态的餐厅推荐算法,以促进共识并提升群体满意度。
2025-03-17 cs.HC cs.IR
Should We Tailor the Talk? Understanding the Impact of Conversational Styles on Preference Elicitation in Conversational Recommender Systems
本研究针对对话推荐系统(CRSs)偏好获取过程中对话风格的影响空白,通过对照实验对比高参与度、高体贴度及灵活切换三种风格,发现依用户专业知识调整风格可提升满意度与推荐有效性,为CRSs设计提供参考。
2025-04-17 cs.HC cs.IR
Vertical Allocation-based Fair Exposure Amortizing in Ranking
本文提出VerFair算法,利用消费者先验知识优化排名中的曝光公平性,在三个真实数据集上显著优于现有方法,实现公平与性能的更好平衡。
2023-10-16 cs.IR
Sparse Pairwise Re-ranking with Pre-trained Transformers
成对重新排序模型预测两个文档中的哪一个与查询更相关,然后根据这些偏好聚合最终排名。这通常比直接预测每个文档的相关性值的逐点重新排名模型更有效。然而,成对模型的高推理开销限制了它们的实际应用:通常,对于要重新排序的一组$k$文档,聚合所有$k^2-k$比较对(不包括自比较)的偏好。我们调查是否可以提高成对重新排序的效率,从所有对抽样。在一项探索性研究中,我们评估了三种抽样方法和五种偏好聚合方法。最佳组合允许在可接受的检索有效性损失下进行数量级更少的比较,而竞争有效性已经实现了约三分之一的比较。
2022-07-10 cs.IR
SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search
Kuaishou Technology(快手科技)
本文提出SaFRO框架,通过双相对策略优化和任务关系感知融合模块,优化短视频搜索中的用户满意度,实验证明其在短期排名质量和长期用户留存方面表现优异。
2026-08-03 cs.IR
A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search
本文提出PODM-MI模型,通过变分推断捕捉用户多样性偏好并最大化与候选物品的互信息,在电商搜索重排序中平衡准确性与多样性,实验和部署验证了其有效性。
2024-05-24 cs.AI cs.IR
Personalized Benchmarking: Evaluating LLMs by Individual Preferences
University of Chicago(芝加哥大学)
本文提出个性化LLM基准测试,通过ELO评分和Bradley-Terry系数分析115名用户对LLM的排名差异,发现个体偏好与聚合排名差异显著,强调开发个性化基准的重要性。
2026-04-21 cs.AI cs.CL cs.HC
RLPO: Residual Listwise Preference Optimization for Long-Context Review Ranking
Nanyang Technological University(南洋理工大学);Peking University(北京大学);Independent Researcher(独立研究员)
本文提出RLPO,通过残差列表级优化提升长上下文评论排序,解决传统方法在长上下文下的效率与准确性矛盾,实验显示其在NDCG@k上优于基线方法。
2026-04-16 cs.AI cs.IR
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
Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation
Kuaishou Technology(快手科技)
EASQ通过多任务架构和LoRA模块实现用户满意度的端到端对齐,提升推荐系统效果与稳定性。
2026-01-28 cs.IR
Multi-Task Fusion via Reinforcement Learning for Long-Term User Satisfaction in Recommender Systems
Tencent Inc.(腾讯公司)
推荐系统(RS)是一个重要的在线应用,每天影响着数十亿用户。主流的RS排名框架由两部分组成:多任务学习模型(MTL),预测各种用户反馈,即,点击、喜欢、分享,以及多任务融合模型(MTF),其将多任务输出组合成关于用户满意度的一个最终排名分数。融合模型作为排名的最后一个关键环节,对最终推荐结果有着重要的影响,但目前对融合模型的研究还不多。为了优化长期的用户满意度,而不是获得即时回报greenly,我们制定MTF任务的马尔可夫决策过程(MDP)在一个推荐会话,并提出了一个批处理强化学习(RL)的多任务融合框架(BatchRL-MTF),其中包括一个批处理RL框架和在线探索。前者利用Batch RL离线从固定的批量数据中学习最优推荐策略,以获得长期的用户满意度,而后者则在线探索潜在的高价值行动,以突破局部最优困境。在对用户行为进行全面调查的基础上,从用户粘性和用户活跃度两个方面对用户满意度进行精细化建模。最后,我们进行了广泛的实验上的十亿样本水平的真实世界的数据集,以显示我们的模型的有效性。我们提出了一个保守的离线策略估计(保守OPEstimulus)离线测试我们的模型。此外,我们在一个真实的推荐环境中进行了在线实验,以比较不同模型的性能。作为少数成功应用于MTF任务的Batch RL研究之一,我们的模型也已部署在大型工业短视频平台上,服务于数亿用户。
2022-08-10 cs.AI cs.IR
Aligning Web Query Generation with Ranking Objectives via Direct Preference Optimization
提出利用直接偏好优化(DPO)将排序信号融入查询生成,以生成高质量合成查询,提升下游检索性能,并在MS MARCO基准上验证了有效性。
2025-05-25 cs.IR
Controllable Multi-Objective Re-ranking with Policy Hypernetworks
针对多目标重排序中静态偏好权重难以在线调整且需重训的问题,提出CMR框架,利用超网络按偏好权重生成模型参数,并在Actor-Evaluator重排序模型中整合四类业务任务,离线与在线实验均验证其有效。
2023-07-18 cs.IR
Ranking for Relevance and Display Preferences in Complex Presentation Layouts
University of Amsterdam(阿姆斯特丹大学)
学习排序传统上考虑了给定对象的相关性信息的设置,对对象进行排序的期望顺序是清楚的。然而,随着今天的各种各样的用户和布局,情况并非总是如此。在本文中,我们考虑所谓的复杂的排名设置,这是不清楚应该显示什么,也就是说,什么相关的项目,以及它们应该如何显示,也就是说,最相关的项目应该放在哪里。这些排名设置是复杂的,因为它们涉及传统排名和推断最佳显示顺序。现有的学习排序方法不能处理这种复杂的排序设置,因为它们假设显示顺序是预先已知的。为了解决这一差距,我们引入了一种新的深度强化学习方法,该方法能够从弱奖励信号中学习复杂的排名,包括布局和给定布局的最佳排名。我们提出的方法通过顺序选择文档和位置来实现,因此它对文档和位置进行排名,这就是为什么我们称之为双排名模型(DRM)。我们的实验表明,DRM优于所有现有的方法在复杂的排名设置,从而导致显着的排名改善的情况下,显示顺序是不知道的先验。
2018-05-07 cs.AI cs.IR
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
Mitigating Preference Leakage via Strict Estimator Separation for Normative Generative Ranking
University of Southampton(南安普顿大学);Umm Al-Qura University(乌姆古拉大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出通过严格分离监督与评估模型,缓解偏好泄漏问题,提升生成排序的可信度。
2026-02-25 cs.IR
HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization
University of Virginia(弗吉尼亚大学);NEC Laboratories America(美国 NEC 实验室)
本文针对基于查询的CVE优先级排序问题,提出HARP框架,结合漏洞知识图谱与历史标注示例,在多场景下优于多个基线方法,实现了更有效的优先级排序。
2026-08-21 cs.CL cs.CR cs.IR
Rethinking Sales Lead Scoring with LLM-based Hierarchical Preference Ranking
Intelligent Business Team, Li Auto Inc.(李自动公司智能商务团队)
针对高价值领域销售线索转化问题,提出基于LLM的判别式框架HPRO,通过分层偏好排名优化联合建模结构化与非结构化数据,实现评分与排名性能提升。
2026-06-03 cs.AI cs.IR
Rank4Gen: RAG-Preference-Aligned Document Set Selection and Ranking
East China University of Science and Technology(华东理工大学);Tencent(腾讯);University of Chinese Academy of Sciences(中国科学院大学);Chinese Information Processing Laboratory, Institute of Software, CAS(中国科学院软件研究所中文信息处理实验室)
针对RAG中下游生成器对文档组合和排序的偏好差异,提出PRISM数据集和Rank4Gen排序器,通过联合文档集选择与排序提升下游QA质量。
2026-06-15 cs.IR
Contextual Personalized Re-Ranking of Music Recommendations through Audio Features
用户可以通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。访问如此大的目录,创造了相关的歌曲推荐的需要。然而,用户偏好本质上是高度主观的并且根据上下文(例如,适合早上的音乐不适合晚上)。此外,一个用户在给定上下文中可能偏好的音乐可能不同于另一个用户在相同上下文中偏好的音乐(即,被认为是早安音乐的内容因用户而异)。准确地表示这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可以基于高级音频特征,例如节奏和效价。因此,在本文中,我们提出了一个上下文重新排名算法,在特定的上下文条件下的用户偏好的音频特征表示的基础上。我们使用#NowPlaying-RS数据集来评估我们的重新排名算法的性能,该数据集包含从Twitter上抓取的用户收听事件,并富含歌曲音频功能。我们比较了全球(所有用户的上下文)和个性化(每个用户的上下文)模型的基础上,这些音频功能。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同,个性化模型创建上下文条件的用户特定音频特征表示,并在333个不同用户中进行测量。我们表明,个性化模型优于全球模型时,使用精度和平均精度指标进行评估。
2020-09-06 cs.IR
Brain Topography Adaptive Network for Satisfaction Modeling in Interactive Information Access System
随着Web上信息的增长,大多数用户严重依赖信息访问系统(例如,搜索引擎、推荐系统等)在他们的日常生活中在这个过程中,建模用户的满意度状态在改善他们的系统体验中起着至关重要的作用。在本文中,我们的目的是探讨的好处,使用脑电图(EEG)信号的满意度建模在交互式信息访问系统的设计。与现有的脑电分类任务不同,满意度的产生涉及唤醒、原型性、评价等多种脑功能,涉及不同的脑地形区域。因此,建模用户满意度提出了巨大的挑战,现有的解决方案。为了解决这一问题,我们提出了BTA,一个脑地形自适应网络,具有多中心编码模块和空间注意力机制模块,以捕获不同空间距离的认知连接。我们探讨的有效性BTA满意度建模在两个流行的信息访问场景,即,搜索和推荐。在两个真实数据集上的大量实验验证了脑地形图自适应策略在满意度建模中的有效性。此外,我们还进行了搜索结果重新排序任务和视频评级预测任务的基础上推断的满意度从大脑信号的搜索和推荐的情况下,分别。实验结果表明,用BTA提取的脑信号可以显著提高交互式信息获取系统的性能。
2022-08-17 cs.HC cs.IR cs.MM
Preference Diffusion for Recommendation
East China Normal University(华东师范大学);National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学)
针对基于扩散模型的推荐系统,提出PreferDiff优化目标,将BPR转化为对数似然排序损失,结合变分推断和余弦误差,提升个性化排序性能并加快收敛。
2025-04-20 cs.AI cs.IR
Reputation (In)dependence in Ranking Systems: Demographics Influence Over Output Disparities
最近的文献排名系统(RS)考虑了用户的曝光时,他们的排名的对象。虽然项目是基于声誉的RS的对象,但用户在这类算法中也扮演着核心角色。实际上,当对项目进行排名时,用户偏好通过该用户在平台中的相关程度来加权(即,的声誉)。在本文中,我们制定了不同的声誉(DR)的概念和研究,如果用户的敏感属性系统得到较低的声誉,导致最终排名,反映他们的喜好。我们考虑两个人口统计属性,即,性别和年龄,并显示DR系统发生。然后,我们提出缓解,这确保信誉是独立的用户的敏感属性。在真实数据上的实验表明,该方法可以克服DR,并提高排名的有效性。
2020-05-25 cs.IR
BPMR: Bayesian Probabilistic Multivariate Ranking
University of Virginia(弗吉尼亚大学)
多方面的用户偏好在推荐系统中引起了更广泛的关注,因为它们能够更详细地了解用户对项目的评价。以往的研究表明,将多方面的偏好,可以大大提高推荐的性能和可解释性。然而,由于推荐本质上是一个排名问题,因此没有原则性的解决方案来对多个方面进行集体排名以增强推荐。在这项工作中,我们推导出一个多方面的排名标准。为了保持不同方面之间的依赖性,我们建议使用多方面评级的向量化表示,并开发一个概率多变量张量分解框架(PMTF)。该框架自然会导致一个概率多方面的排名标准,它概括了单方面的排名,以多变量的时尚。在一个大的多方面评论评分数据集上的实验结果证实了我们的解决方案的有效性。
2022-04-16 cs.IR cs.LG
Embedding Ranking-Oriented Recommender System Graphs
基于图的推荐系统(GRSs)分析数据的图形表示中的结构信息以做出更好的推荐,特别是当直接用户-项目关系数据稀疏时。面向排名的GRS形成了一个主要类别的推荐系统,主要使用偏好(或排名)数据的图形表示来测量节点的相似性,从这些相似性中,它们可以使用基于邻域的机制来推断推荐列表。在本文中,我们提出了PGRec,一种新的基于图的面向排名的推荐框架。PGRec通过一种名为PrefGraph的新型图结构对用户对项目的偏好进行建模。然后通过改进的嵌入方法利用该图,利用因子分解和深度学习方法,提取代表用户,项目和偏好的向量。然后,将得到的嵌入用于预测用户的未知成对偏好,从该偏好推断出最终的推荐列表。我们已经评估了所提出的方法对最先进的基于模型和基于邻域的推荐方法的性能,我们的实验表明,PGRec优于基线算法高达3.2%的NDCG@10在不同的MovieLens数据集。
2020-07-31 cs.IR cs.LG 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
Query Chains: Learning to Rank from Implicit Feedback
本文提出了一种使用点进数据来学习网络搜索结果的排名检索函数的新方法。我们观察到,用户搜索网络经常执行一个序列,或链,查询具有类似的信息需求。使用查询链,我们从搜索引擎日志中生成新类型的偏好判断,从而利用用户智能重新制定查询。为了验证我们的方法,我们进行了一个受控的用户研究比较生成的偏好判断明确的相关性判断。我们还实现了一个真实世界的搜索引擎来测试我们的方法,使用修改后的排名SVM从偏好数据中学习改进的排名函数。我们的研究结果表明,显着改善排名的搜索引擎。学习的排名优于静态排名函数,以及在不考虑查询链的情况下训练的排名。
2006-05-08 cs.IR cs.LG
Recency Ranking by Diversification of Result Set
本文提出一种通过结果集多样化自动检测时效性敏感查询并提升文档新鲜度的检索方法,实验证明能显著提高用户满意度。
2024-02-07 cs.IR
Improving User Experience with Personalized Review Ranking and Summarization
Information and Computer Science Dept., King Fahd University of Petroleum and Minerals(信息与计算机科学系,国王法赫德石油与矿物大学);Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS), King Fahd University of Petroleum and Minerals(智能安全系统交叉研究中心(IRC-ISS),国王法赫德石油与矿物大学)
提出融合用户偏好建模、混合情感估计、方面级评论匹配和LLM摘要的个性化评论排名与摘要框架,在亚马逊数据集和用户研究中优于现有方法。
2026-06-06 cs.IR cs.LG
Exploring Deep Space: Learning Personalized Ranking in a Semantic Space
推荐系统利用内容和用户交互来生成适合用户偏好的推荐。最近对深度学习的兴趣激增,为利用这两种信息来源提供了新的机会。为了推荐项目,我们建议首先学习一个独立于用户的高维语义空间,其中项目根据其可替代性进行定位,然后学习一个用户特定的转换函数,根据用户过去的偏好将该空间转换为排名。所提出的架构的一个优点是,它可以被用来有效地推荐项目使用的内容描述的项目或用户项目评级。我们表明,这种方法在MovieLens 1M数据集上的性能明显优于最先进的推荐系统。
2016-08-22 cs.IR
On Softmax Direct Preference Optimization for Recommendation
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Hokkaido University(北海道大学)
提出Softmax-DPO方法,将排序信息注入语言模型推荐系统,通过多负样本和部分排序损失提升个性化推荐性能,并在三个数据集上验证其有效性。
2024-11-07 cs.AI cs.IR
A Syntactic Classification based Web Page Ranking Algorithm
现有的搜索引擎由于缺乏对搜索结果的分类,有时会给出令人不满意的搜索结果。如果有某种方法可以了解用户对搜索结果的偏好,并根据偏好对页面进行排名,那么搜索结果对用户来说将更加有用和准确。本文提出了一种基于网页句法分类的网页排序算法。语法分类并不关心网页内容的含义。该方法主要包括三个步骤:根据用户的需求选择网页的一些属性,测量它们,并在不同类型的网页排序时给予不同的权重。通过对一组网页运行模糊c-均值算法和神经网络分类来支持句法分类的存在。对于相同查询字符串的不同页面类型的排名变化也被证明。
2011-02-03 cs.IR
Credibility in Web Search Engines
网络搜索引擎应用各种排名信号来实现用户满意度,即,为用户提供最佳结果的结果页面。虽然这些排名信号隐含地考虑了可信度(例如,通过衡量受欢迎程度),没有采用明确的可信度衡量标准。在这一章中,在Web搜索引擎的可信度进行了讨论,在一个广泛的背景下:可信度作为一个措施,包括在搜索引擎的索引文件,作为一个排名信号的可信度,在通用搜索结果的上下文中的可信度,以及使用可信度作为一个明确的衡量排名的目的的可能性。据发现,虽然搜索引擎-至少在一定程度上-显示可信的结果,他们的用户,有没有完全集成的可信度框架的Web搜索引擎。
2012-08-05 cs.IR
Textually Guided Ranking Network for Attentional Image Retweet Modeling
Zhejiang University(浙江大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Hangzhou Dianzi University(杭州电子科技大学)
转发预测在社交媒体网站(Social media sites, SMS)中是一个很有挑战性的问题. 本文研究了SMS中的图像转发预测问题, 预测用户再次转发图像推特的图像共享行为.与以往的研究不同,我们从用户过去转发的图片推文中学习用户偏好排序模型。本文首先提出了异构图片推文建模网络(IRM),该网络利用用户过去转发的图片推文及其相关上下文、用户在短信中的关注关系和关注者的偏好。 在此基础上, 提出文本引导的多模态神经网络, 构建新型多方面注意力排序网络学习框架, 从而学习预测任务中的联合图像推特表征和用户偏好表征.在Twitter网站上的大规模数据集上的实验表明,该方法比现有的方法具有更好的性能。
2018-10-24 cs.IR cs.LG cs.MM
Stationary Algorithmic Balancing For Dynamic Email Re-Ranking Problem
Purdue University(普渡大学);Microsoft Research(微软研究院)
本文针对用户偏好随时间变化的电子邮件重排序问题,提出基于自适应控制模型的在线多目标算法 MOSR,在 Enron 数据集上优于基线并具备鲁棒性。
2023-08-12 cs.AI cs.IR
Consensus vs. Dissent: Dynamic LLM Modeling of Subjective Preferences in Group Recommenders
Maastricht University(马斯特里赫特大学)
研究群体推荐系统中LLMs能否模拟对群体内偏好分布的敏感性并选理想聚合策略。通过微调LLMs、开发模拟模型生成推荐候选并动态选择,经用户研究验证,该方法在满意度和共识方面表现优,凸显LLMs用于适应性调整的优势。
2026-07-14 cs.CL cs.IR
Obtaining Calibrated Probabilities with Personalized Ranking Models
Pohang University of Science and Technology(浦项科技大学)
对于个性化的排序模型,校准好的被用户偏好的项目的概率具有很大的实用价值。虽然现有的工作在图像分类中显示出有希望的结果,但是概率校准对于个性化排名还没有太多的探索。在本文中,我们的目标是估计校准的概率有多大可能用户会喜欢一个项目。我们研究了各种参数分布,并提出了两种参数校准方法,即高斯校准和伽玛校准。每种方法都可以被看作是一个后处理函数,它将预先训练的模型的排名分数映射到校准良好的偏好概率,而不会影响推荐性能。我们还设计了无偏的经验风险最小化框架,指导校准方法从有偏的用户-项目交互数据集学习真实偏好概率。在真实世界数据集上使用各种个性化排名模型进行的广泛评估表明,所提出的校准方法和无偏经验风险最小化显著提高了校准性能。
2022-04-26 cs.AI 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
Holistic Utility Preference Learning for Listwise Alignment
School of Computer Science and Technology, Hangzhou Dianzi University(计算机科学与技术学院,杭州电子科技大学);Harbin Institute of Technology(哈尔滨工业大学)
DRPO通过整体效用学习提升列表对齐效果,优化响应排名质量
2025-12-16 cs.AI cs.CL cs.IR