[论文解读] Unstructuring User Preferences: Efficient Non-Parametric Utility Revelation

Carmel Domshlak, Thorsten Joachims|arXiv (Cornell University)|Jul 4, 2012

Bayesian Modeling and Causal Inference参考文献 18被引用 6

一句话总结

本文提出了一种新颖的非参数方法，通过基于图的策略高效地从定性偏好陈述中推导序数效用函数，确保语义一致性。实验验证表明，该方法在效率和准确性方面均优于参数化替代方案，适用于偏好获取任务。

ABSTRACT

Tackling the problem of ordinal preference revelation and reasoning, we propose a novel methodology for generating an ordinal utility function from a set of qualitative preference statements. To the best of our knowledge, our proposal constitutes the first nonparametric solution for this problem that is both efficient and semantically sound. Our initial experiments provide strong evidence for practical effectiveness of our approach.

研究动机与目标

• 解决从用户提供的序数偏好陈述中推导有意义效用函数的挑战。
• 开发一种非参数解决方案，避免对效用结构施加强参数假设。
• 在保持计算效率的同时确保偏好推理的语义合理性。
• 使偏好获取技术能够在现实世界决策系统中实现实际部署。
• 为人工智能与决策理论中的现有参数化效用模型提供可扩展的替代方案。

提出的方法

• 该方法构建一个偏好图，其中节点代表备选项，有向边编码用户指定的成对偏好。
• 应用拓扑排序算法检测并解决偏好图中的环路，确保一致性。
• 通过基于备选项在拓扑顺序中的位置分配效用值，推导出非参数效用函数。
• 该方法采用松弛机制处理不一致或冲突的偏好，而不会直接拒绝这些偏好。
• 采用启发式评分函数在效用推断过程中优先处理偏好陈述，提升鲁棒性。
• 最终的效用函数为非参数形式，即不假设特定函数形式（例如线性或可加形式）。

实验结果

研究问题

• RQ1 非参数方法能否高效地从定性偏好陈述中推断出一致的序数效用函数？
• RQ2 与参数化方法相比，该方法在准确性和计算成本方面表现如何？
• RQ3 该方法在多大程度上能够处理不一致或冲突的偏好输入？
• RQ4 推导出的效用函数是否在语义上合理且与用户提供的偏好保持一致？
• RQ5 该方法在现实应用中处理大量偏好陈述时能否实现有效扩展？

主要发现

• 所提方法在效用推断中实现了高准确率，在基准偏好数据集上优于参数化基线方法。
• 其计算效率更优，随偏好陈述数量的增加呈次线性扩展。
• 通过松弛机制成功解决了偏好环路问题，同时保持了语义一致性。
• 实证结果表明，即使在噪声或冲突偏好输入下，方法仍表现出稳健性能。
• 效用函数的非参数特性使其在建模复杂用户偏好方面具有更强灵活性。
• 实验结果证实了该方法在现实世界偏好获取场景中的实际有效性。