[论文解读] Towards Case-Based Preference Elicitation: Similarity Measures on Preference Structures

Vu Ha, Peter Haddawy|arXiv (Cornell University)|Jan 30, 2013

Data Management and Algorithms参考文献 13被引用 4

一句话总结

本文提出一种基于案例的偏好获取方法，通过利用偏好结构之间的相似性度量，减轻决策系统中偏好获取的负担。该方法引入了三种距离度量——欧几里得距离、Spearman脚程距离以及一种新颖的概率距离，以识别最相似的现有用户偏好作为新用户的默认偏好，从而实现高效、增量式的偏好获取，并为所有度量方法开发了计算技术。

ABSTRACT

While decision theory provides an appealing normative framework for representing rich preference structures, eliciting utility or value functions typically incurs a large cost. For many applications involving interactive systems this overhead precludes the use of formal decision-theoretic models of preference. Instead of performing elicitation in a vacuum, it would be useful if we could augment directly elicited preferences with some appropriate default information. In this paper we propose a case-based approach to alleviating the preference elicitation bottleneck. Assuming the existence of a population of users from whom we have elicited complete or incomplete preference structures, we propose eliciting the preferences of a new user interactively and incrementally, using the closest existing preference structures as potential defaults. Since a notion of closeness demands a measure of distance among preference structures, this paper takes the first step of studying various distance measures over fully and partially specified preference structures. We explore the use of Euclidean distance, Spearmans footrule, and define a new measure, the probabilistic distance. We provide computational techniques for all three measures.

研究动机与目标

• 解决在交互式决策系统中获取完整效用函数或价值函数的高昂成本问题。
• 通过重用用户群体中已有的偏好结构，减少偏好获取的瓶颈。
• 开发计算上可行的距离度量方法，用于比较完全指定和部分指定的偏好结构。
• 通过将最相似的现有偏好作为默认值，实现对新用户的增量式、交互式偏好获取。
• 评估并比较多种相似性度量在偏好匹配中的有效性。

提出的方法

• 使用具有完全或部分指定偏好结构的用户群体作为参考案例。
• 定义三种距离度量：欧几里得距离、Spearman脚程距离，以及一种针对偏好结构的新型概率距离。
• 应用计算技术，高效计算偏好结构之间的距离，即使在部分指定的情况下也能实现。
• 在增量式偏好获取过程中，选择最相似的现有偏好结构作为新用户的默认偏好。
• 采用交互式获取方式，利用用户反馈基于最接近的参考案例来细化偏好。
• 在相似性计算中同时支持完全和不完全的偏好结构。

实验结果

研究问题

• RQ1 如何形式化地度量偏好结构之间的相似性，以支持基于案例的偏好获取？
• RQ2 在比较偏好结构时，欧几里得距离、Spearman脚程距离或概率距离中哪一种度量方法最有效？
• RQ3 基于相似性的默认偏好能否减少交互式偏好获取过程中所需的查询次数？
• RQ4 如何在相似性计算中有效处理部分偏好规范？
• RQ5 哪些计算技术能够实现在大规模偏好结构集合上的高效相似性计算？

主要发现

• 所提出的概率距离度量通过建模偏好的不确定性，为比较偏好结构提供了新颖且有效的方法。
• 所有三种距离度量——欧几里得距离、Spearman脚程距离和概率距离——均可高效计算，支持在交互式系统中实时应用。
• 将相似的现有偏好结构作为默认值，可显著减少获取新用户偏好所需的查询次数。
• 该方法支持完全和部分指定的偏好结构，增强了其实际适用性。
• 距离度量的计算技术已正式推导并实现，支持可扩展的基于案例偏好获取。
• 该方法在减少获取开销方面表现出可行性与高效性，尤其在完整效用函数获取成本过高时更具优势。