[论文解读] Multiresolution Analysis of Incomplete Rankings

Stéphan Clémençon, Jérémie Jakubowicz+1 more|arXiv (Cornell University)|Mar 8, 2014

Rough Sets and Fuzzy Logic参考文献 40被引用 4

一句话总结

本文提出了一种新颖的多分辨率小波框架，用于分析不完整排名，通过将排名建模为在项目集合上的单射词。借助代数拓扑及基于循环分解构建的小波基，该框架实现了对排名分布的局部化、非线性逼近——为偏好学习和推荐系统提供了基础性工具。

ABSTRACT

Incomplete rankings on a set of items $\{1,\; \ldots,\; n\}$ are orderings of the form $a_{1}\prec\dots\prec a_{k}$, with $\{a_{1},\dots a_{k}\}\subset\{1,\dots,n\}$ and $k < n$. Though they arise in many modern applications, only a few methods have been introduced to manipulate them, most of them consisting in representing any incomplete ranking by the set of all its possible linear extensions on $\{1,\; \ldots,\; n\}$. It is the major purpose of this paper to introduce a completely novel approach, which allows to treat incomplete rankings directly, representing them as injective words over $\{1,\; \ldots,\; n\}$. Unexpectedly, operations on incomplete rankings have very simple equivalents in this setting and the topological structure of the complex of injective words can be interpretated in a simple fashion from the perspective of ranking. We exploit this connection here and use recent results from algebraic topology to construct a multiresolution analysis and develop a wavelet framework for incomplete rankings. Though purely combinatorial, this construction relies on the same ideas underlying multiresolution analysis on a Euclidean space, and permits to localize the information related to rankings on each subset of items. It can be viewed as a crucial step toward nonlinear approximation of distributions of incomplete rankings and paves the way for many statistical applications, including preference data analysis and the design of recommender systems.

研究动机与目标

• 为解决现代应用（如推荐系统）中常见的不完整排名缺乏直接分析方法的问题。
• 构建一个允许在项目子集上定位排名信息的多分辨率分析框架。
• 为不完整排名构造一个支持高效线性与非线性逼近的小波基。
• 支持统计应用，如分布估计、排名预测以及不完整排名的聚类。
• 通过组合拓扑方法，将现有的对称群上的调和分析推广至不完整排名的情形。

提出的方法

• 将不完整排名表示为集合 {1,…,n} 上的单射词，避免使用线性扩展。
• 通过索引于子集 A ⊆ {1,…,n} 的子空间 W_A，对排列函数空间进行多分辨率分解。
• 利用排列的循环分解，构建与该多分辨率结构相适应的小波基 Ψ。
• 通过定理6和定理7的小波链构造，递归地从更小尺度的组件计算小波系数。
• 应用小波系数公式：x_γ(π) = ∏ ε_{a_j,u_{j-1}}(π|A^{(j)})，其中 γ = (u1 a2)(u2 a3)…(uk-1 ak)，实现递归计算。
• 利用分解性质：若循环支撑与 π 在每个支撑上的循环结构匹配，则 x_{γ1…γr}(π) = x_{γ1}(π¹)…x_{γr}(π^r)。

实验结果

研究问题

• RQ1 如何在不依赖线性扩展的情况下，直接分析不完整排名？
• RQ2 能否利用组合与拓扑结构构建不完整排名的多分辨率框架？
• RQ3 循环分解在构建排名数据小波基中起到何种作用？
• RQ4 在此框架中，小波系数如何实现递归且高效的计算？
• RQ5 该基于小波的多分辨率分析能支持哪些统计应用？

主要发现

• 本文通过将不完整排名建模为单射词，建立了完整的不完整排名多分辨率分析框架，实现了在项目子集上的局部化分析。
• 明确构造了基于排列循环分解的小波基 Ψ，其小波系数可通过基于循环结构的递归公式计算。
• 排列 π 关于循环 γ 的小波系数由受限排列上局部 ε 函数的乘积给出，支持高效计算。
• 若循环支撑与 π 的限制的循环结构匹配，则不相交循环 γ1…γr 的小波系数为各循环支撑上系数的乘积。
• 该框架支持排名分布的非线性逼近，并为排名预测、聚类及不完整排名的聚合等应用铺平了道路。
• 该方法通过注入词和排列循环的拓扑与代数结构，将全排列上的调和分析推广至不完整排名情形。