.png){kind=icon}
返回
Data-driven preference learning methods for sorting problems with multiple temporal criteria
.png){kind=icon}
OA
AI
DOI：10.1016/j.ejor.2024.12.020.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的偏好学习方法，用于具有多个时间维度的排序问题。该方法利用加性价值函数作为基本的偏好模型，并针对时间序列数据进行了调整。在给定涉及参考备选方案的分配示例的情况下，我们使用凸二次规划学习此类模型。该模型的特点是具有固定时间折扣因子，并在正则化框架内运行。这种方法能够考虑时间戳之间的时间依赖性，同时降低过拟合风险。为提高可扩展性并容纳可学习的时间折扣因子，我们引入了一种新颖的单调循环神经网络（mRNN）。它捕捉了偏好随时间演变的动态特性，同时保持了多准则排序问题固有的关键属性。这些属性包括准则单调性、偏好独立性和类别的自然排序。所提出的mRNN可以通过描绘分段线性边际价值函数以及随时间变化的个性化时间折扣因子来描述偏好动态。因此，它有效地结合了传统排序方法的可解释性与深度偏好学习模型提供的预测潜力。我们在合成数据场景和一个以移动游戏应用中基于用户历史游戏行为序列分类高价值用户为焦点的真实案例研究中全面评估了所提出的模型。实证结果表明，与涵盖机器学习、深度学习和传统多准则排序方法的一系列基线方法相比，所提出的模型取得了显著的性能提升。
Keyword:
Multiple criteria analysis
Preference learning
Sorting
Temporal criteria
Deep learning
Recurrent neural networks
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6
论文数:
2.2W
被引数:
6.4W
机构
暂无机构信息
引用论文
Physician selection based on user-generated content considering interactive criteria and risk preferences of patients考虑交互标准和患者风险偏好的基于用户生成内容的医师选择
.png){kind=icon}
PREAI
分享收藏Disaggregating time series on multiple criteria for robust forecasting: The case of long-term electricity demand in Greece在多个标准上分解时间序列以进行稳健预测: 以希腊的长期电力需求为例
PREAI
分享收藏分享收藏分享收藏A progressive sorting approach for multiple criteria decision aiding in the presence of non-monotonic preferences在存在非单调偏好的情况下，用于多目标决策辅助的渐进排序方法
PREAI
分享收藏
查看更多内容