[论文解读] Efficient computation of rankings from pairwise comparisons

Michael Newman|arXiv (Cornell University)|Jun 30, 2022

Game Theory and Voting Systems被引用 8

一句话总结

本文提出了一种新颖的迭代算法，用于使用Bradley-Terry模型从成对比较中计算排名，其收敛速度比经典的Zermelo算法快逾100倍，同时得到完全相同的最大似然估计。该方法通过重新表述更新规则，显著提升了收敛速度，而无需牺牲准确性或简洁性。

ABSTRACT

We study the ranking of individuals, teams, or objects, based on pairwise comparisons between them, using the Bradley-Terry model. Estimates of rankings within this model are commonly made using a simple iterative algorithm first introduced by Zermelo almost a century ago. Here we describe an alternative and similarly simple iteration that provably returns identical results but does so much faster -- over a hundred times faster in some cases. We demonstrate this algorithm with applications to a range of example data sets and derive a number of results regarding its convergence.

研究动机与目标

• 解决Zermelo算法在Bradley-Terry模型中最大似然估计时收敛过慢的问题。
• 开发一种计算效率更高的替代方法，同时保持完全相同的解质量。
• 证明新算法收敛至与Zermelo方法相同的唯一最大似然解。
• 在多种真实世界数据集上展示实际的提速效果。
• 将方法扩展至MAP估计以及允许平局的广义Bradley-Terry模型。

提出的方法

• 提出一种新的迭代更新规则：$\pi_i' = \frac{\sum_j w_{ij} \pi_j / (\pi_i + \pi_j)}{\sum_j w_{ji} / (\pi_i + \pi_j)}$，替代Zermelo原始公式。
• 从最小化-最大化（MM）框架推导该算法，确保每一步迭代中对数似然单调递增。
• 证明新更新规则收敛至与Zermelo算法相同的唯一最大似然解。
• 将该方法应用于标准Bradley-Terry模型及允许平局的广义模型，通过参数$\nu$实现。
• 使用谱方法和牛顿法作为基准，比较收敛速度与可扩展性。
• 通过真实数据集上的数值实验，验证新方法相比Zermelo方法的性能提升。

实验结果

研究问题

• RQ1 能否设计一种新型迭代算法，使其收敛速度显著快于Zermelo算法，同时保持最大似然一致性？
• RQ2 所提出的更新规则是否保持与Zermelo算法相同的不动点，从而确保排名结果完全一致？
• RQ3 新算法的收敛速度与Zermelo算法及其他方法（如牛顿法）相比，在不同规模问题下如何表现？
• RQ4 该算法能否通过广义Bradley-Terry模型扩展以处理成对比较中的平局？
• RQ5 该新算法在稀疏比较数据的大规模排名问题中是否具备鲁棒性与高效性？

主要发现

• 在测试的真实世界数据集中，所提算法收敛速度比Zermelo算法快逾100倍，且解质量无任何损失。
• 新更新规则在每一步迭代中可证明单调增加对数似然，并收敛至与Zermelo方法相同的唯一最大似然解。
• 该算法在问题规模增大时仍能高效扩展，单次迭代成本与成对比较数量成正比，而牛顿法的复杂度为$N^3$。
• 该方法可适用于允许平局的广义Bradley-Terry模型，且为平局参数$\nu$提供了相应的更新规则。
• 通过最小化-最大化框架证明了广义算法的收敛性，确保单调改进与全局收敛。
• 实证结果表明，该方法在包括体育赛事、消费者选择及支配行为研究在内的多样化数据集中均表现出一致的加速效果。