.png){kind=icon}
返回
Interpretable preference learning and prediction: A data-driven method based on multiplicative multiattribute utility function with reference effects
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103311.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据驱动的偏好学习为从数据中学习决策者的偏好提供了一种强大的工具，但也面临着多属性情境下的挑战，包括属性间的复杂交互作用和人类行为可解释性。为了应对这些挑战，我们提出了一种基于属性特定评估数据和序数分类数据的数据驱动方法，用于学习多属性效用函数。具体而言，我们基于数据构建了一个依赖参考的乘法多属性效用函数（RMAU）作为待学习的偏好模型。采用乘法函数形式是为了以一般方式建模复杂的属性交互作用，并通过引入参考效应来提高模型的可解释性。基于RMAU，我们提出了一个数据驱动的偏好学习模型和一个偏好预测模型。从理论角度来看，可以证明这两个模型均具备一些理想的特性。一项关于RMAU基于数据驱动的学习和预测模型与其他现有文献中流行模型的比较研究显示，在14个可用的公开数据集中，我们的偏好学习和预测模型均比这些模型具有竞争优势。此外，使用booking.com的真实客户数据，我们表明利用基于RMAU的模型学习客户偏好能够提供更好且更清晰的结果解释。
Keyword:
Data-driven preference learning
Multiple attribute decision making
Reference effect
Utility model
Interpretability
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
.png){kind=icon}
Data-driven preference learning methods for sorting problems with multiple temporal criteria基于数据的偏好学习方法：用于具有多个时间标准的排序问题
OAAI
OAAI分享收藏
分享收藏
查看更多内容