[论文解读] A Novel Distance-Based Approach to Constrained Rank Aggregation

Farzad Farnoud, Olgica Milenković+1 more|arXiv (Cornell University)|Dec 6, 2012

Machine Learning and Algorithms参考文献 17被引用 3

一句话总结

本文提出了一类用于约束性排名聚合的新型加权距离度量，将肯德尔tau距离和凯莱距离推广至可纳入排名位置非均匀重要性及候选者相似性的场景。该研究提出两种算法方法——基于广义斯皮尔曼距离的近似算法，具有可证明的常数因子保证；以及受PageRank启发的非均匀马尔可夫链方法，实验证明在具有约束的聚合问题中性能更优，并通过理论与实证分析加以验证。

ABSTRACT

We consider a classical problem in choice theory -- vote aggregation -- using novel distance measures between permutations that arise in several practical applications. The distance measures are derived through an axiomatic approach, taking into account various issues arising in voting with side constraints. The side constraints of interest include non-uniform relevance of the top and the bottom of rankings (or equivalently, eliminating negative outliers in votes) and similarities between candidates (or equivalently, introducing diversity in the voting process). The proposed distance functions may be seen as weighted versions of the Kendall $τ$ distance and weighted versions of the Cayley distance. In addition to proposing the distance measures and providing the theoretical underpinnings for their applications, we also consider algorithmic aspects associated with distance-based aggregation processes. We focus on two methods. One method is based on approximating weighted distance measures by a generalized version of Spearman's footrule distance, and it has provable constant approximation guarantees. The second class of algorithms is based on a non-uniform Markov chain method inspired by PageRank, for which currently only heuristic guarantees are known. We illustrate the performance of the proposed algorithms for a number of distance measures for which the optimal solution may be easily computed.

研究动机与目标

• 解决传统排名聚合方法在处理侧约束（如顶部排名与底部排名重要性非均匀、候选者相似性）时的局限性。
• 开发在约束性投票场景中具有公理基础的度量方法，扩展经典肯德尔tau距离与凯莱距离。
• 为基于这些新度量的加权距离聚合设计高效算法，确保计算可行性与理论性能保证。
• 通过理论分析与可计算最优解的数值实验，验证所提方法的有效性。

提出的方法

• 基于递减权重函数φ提出加权距离度量，其中位置s处相邻对换的权重为φ(s)，推广了肯德尔tau距离与凯莱距离。
• 推导加权距离的广义斯皮尔曼距离近似，实现对聚合问题的常数因子近似保证。
• 提出受PageRank启发的非均匀马尔可夫链方法，用于计算聚合排名，具备启发式性能保证。
• 采用公理化框架验证所提距离函数的合理性，确保其满足投票与聚合中 desirable 的性质。
• 将加权肯德尔距离定义为所有不一致对的总和，权重为对换点之后的元素数量，以捕捉位置重要性。
• 给出在加权度量下，恒等排列与均匀随机排列之间期望距离的闭式表达式，使用调和数与组合概率。

实验结果

研究问题

• RQ1 如何将排名聚合中的距离度量推广，以考虑排名位置的非均匀重要性，例如对顶部位置赋予更高权重？
• RQ2 约束性距离度量应满足哪些公理性质，以确保在票数聚合中的公平性与一致性？
• RQ3 能否为加权排名聚合设计高效近似算法，并提供可证明的性能保证？
• RQ4 在距离度量中引入候选者相似性或多样性，如何影响聚合排名的质量与稳定性？
• RQ5 在所提出的加权距离函数下，随机排列与恒等排列之间的期望距离是多少？

主要发现

• 所提出的加权距离度量推广了肯德尔tau距离与凯莱距离，其中加权肯德尔距离等于标准肯德尔距离加上一个考虑顶部位置加权的校正项。
• 当权重函数φ(s) = n−s时，恒等排列与均匀随机排列之间的期望距离为∑k=1n−1 k²(Hn − Hk) = ½C(n,2) + ²⁄₃C(n,3)，大于无权重情况。
• 广义斯皮尔曼距离近似为加权排名聚合问题提供了常数因子近似保证。
• 受PageRank启发的非均匀马尔可夫链方法提供一种启发式聚合方法，目前尚无理论性能保证。
• 理论分析表明，加权距离函数满足约束性聚合中有效距离度量的公理，确保一致性和公平性。
• 数值结果表明，所提方法在具有顶部偏好或候选者多样性偏好场景中，优于标准方法。