计算机科学>机器学习
标题: 有效准确地学习缝隙模型的混合
摘要: Plackett-Luce(PL)混合模型是最基本的排序模型之一,是一个具有理论和实际意义的活跃研究领域。 大多数先前提出的参数估计算法都会实例化EM算法,通常会进行随机初始化。 然而,这样的初始化方案可能不会产生良好的初始估计,并且算法需要多次重新启动,因此会产生很大的时间复杂度。 对于EM程序,虽然E步骤可以有效执行,但由于PL似然函数的组合性质,使M步骤中的对数似然最大化是困难的(Gormley和Murphy 2008)。 因此,以前的作者倾向于最大化代理似然函数的算法(Zhao等人,2018年、2020年)。 然而,最终估计可能会偏离真实的最大似然估计。 在本文中,我们解决了这些已知的局限性。 我们提出了一种能够提供可证明准确初始估计的初始化算法和一种能够有效地最大化真对数似然函数的EM算法。 在合成数据集和实际数据集上的实验表明,我们的算法在精度和速度上与基线算法相比具有竞争力,尤其是在包含大量数据项的数据集上。