Preference Learning

Introduction

在维基百科中对Preference Learning的解释是这样的：通过已知的可观测的偏好信息构建一个偏好预测模型。偏好学习是机器学习的一个子领域，并且它的主要任务是学会进行排名（”learning to rank”）。

• 这张图显示了人工智能和偏好学习的关系以及偏好学习的应用领域

• 这张图显示了Preference 在人工智能中的应用

Preference Learning Task

偏好学习问题可以从好几个维度去学习：

• 偏好表达：
  
  • 效用函数(utility function):数值型表达，或者按顺序表达
  • 偏好关系：部分/整体排名（Ranking）
  • 逻辑表示法…
• 用户/物品的描述：
  
  • 标识符，特征向量，结构化对象…
• 训练数据集的类型：
  
  • 直接/间接的信息反馈
  • 完整/不完整的关系
  • 公用程式（utilities）

1）偏好表达

• 偏好的评估是绝对的，可以是二值型也可以是数值型或者枚举型的效用函数表达法。
• 偏好的比较是相对的，采用的是部分排名或者整体排名，是偏好关系表达法。

2）用户/物品的描述

• 在多标签分类问题中用户的描述是二值型数据，0表示不喜欢，1表示喜欢等。
• 它的预测结果也是二分类的数值。

• 在多标签排名问题中用户的描述是二值型数据
• 它的预测结果数值型的按顺序表达的偏好，1表示最喜欢。

• 在标签排名问题中用户的描述是一个排名
• 它的预测结果数值型的按顺序表达的偏好，1表示最喜欢。

• 下面这个是标准的标签排名问题。
• 结合了相对的和绝对的排名。

• 实例（用户）排名，根据用户的特征对用户进行排名。

• 这是一个协同过滤问题，每一行代表一个用户（user），每