[论文解读] Multivariate Spearman's rho for aggregating ranks using copulas

Justin Bedő, Cheng Soon Ong|arXiv (Cornell University)|Oct 16, 2014

Multi-Criteria Decision Making参考文献 19被引用 12

一句话总结

本文提出一种基于对 copula 的多变量斯皮尔曼等级相关系数的非参数排名聚合方法，通过最大化共识排名与专家列表之间的相关性来实现。该方法通过归一化排名的对数变换获得闭式最小二乘解，并利用无偏插补方法处理极端排名（如前 k 名或后 k 名），在 MQ2007 和 MQ2008 数据集上优于基线方法。

ABSTRACT

We study the problem of rank aggregation: given a set of ranked lists, we want to form a consensus ranking. Furthermore, we consider the case of extreme lists: i.e., only the rank of the best or worst elements are known. We impute missing ranks by the average value and generalise Spearman's ρto extreme ranks. Our main contribution is the derivation of a non-parametric estimator for rank aggregation based on multivariate extensions of Spearman's ρ, which measures correlation between a set of ranked lists. Multivariate Spearman's ρis defined using copulas, and we show that the geometric mean of normalised ranks maximises multivariate correlation. Motivated by this, we propose a weighted geometric mean approach for learning to rank which has a closed form least squares solution. When only the best or worst elements of a ranked list are known, we impute the missing ranks by the average value, allowing us to apply Spearman's ρ. Finally, we demonstrate good performance on the rank aggregation benchmarks MQ2007 and MQ2008.

研究动机与目标

• 解决仅从专家处获得极端排名（如前 k 名或后 k 名）时的排名聚合挑战。
• 开发一种非参数方法，通过 copula 将斯皮尔曼等级相关系数推广至多变量设置，以改进共识排名。
• 同时建模专家之间的依赖关系，而非成对建模，从而提升建模灵活性与计算效率。
• 通过最小二乘法提供专家权重学习的闭式解，避免复杂优化或采样过程。

提出的方法

• 该方法使用基于 copula 定义的多变量斯皮尔曼等级相关系数，衡量共识排名与专家排名之间的一致性。
• 推导出归一化排名的几何平均值可最大化多变量斯皮尔曼等级相关系数，从而为所提方法的加权方案提供理论依据。
• 在对数化排名上构建最小二乘优化问题：min_ω ∑(l(x) − ∑ω_d r_d(x))²，该问题存在闭式解以确定权重 ω。
• 缺失排名通过平均值进行插补，并采用乐观与悲观插补策略以限制相关性并提升鲁棒性。
• 该方法将排名映射至 (0,1) 区间，并应用对数缩放，以实现对排名依赖关系的线性建模。
• 该方法在多变量框架下显式建模专家之间的依赖关系，与成对方法形成对比。

实验结果

研究问题

• RQ1 能否基于 copula 定义的多变量斯皮尔曼等级相关系数，推导出一种能捕捉专家间依赖关系的合理共识排名？
• RQ2 斯皮尔曼等级相关系数如何推广以处理不完整或极端排名（如仅知前 k 名或后 k 名）？
• RQ3 是否存在一种最大化多变量相关性的排名聚合闭式解，且计算效率较高？
• RQ4 缺失排名的插补策略是否能保持在极端排名场景下相关性的无偏估计？
• RQ5 所提方法在标准排名聚合数据集上的性能与现有基线方法相比如何？

主要发现

• 归一化排名的几何平均值可最大化多变量斯皮尔曼等级相关系数，为所提方法的加权方案提供了理论依据。
• 在对归一化排名进行对数变换后，该方法可获得专家权重的闭式最小二乘解，实现高效计算。
• 通过平均值对缺失排名进行插补，可在极端排名场景下获得斯皮尔曼等级相关系数的无偏估计。
• 乐观与悲观插补策略能有效限制相关性，在大学排名聚合实验中表现出良好的鲁棒性。
• 该方法在标准基准数据集 MQ2007 和 MQ2008 上表现优异，优于现有方法在排名聚合任务中的表现。