Modeling Preferences: A Bayesian Mixture of Finite Mixtures for Rankings and Ratings
偏好建模：排名与评分的贝叶斯有限混合之混合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以排名表达的离散偏好比较为核心，并采用 Bradley–Terry–Luce 型模型，最直接对应离散选择与偏好建模。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
偏好建模：排名与评分的贝叶斯有限混合之混合模型
- 研究问题
- 如何联合分析排名的序数信息与评分的基数信息，同时刻画评审者差异、偏好异质性及事先未知的潜在类别数？
- 方法与思路
- 作者提出联合排名与评分的 BTL-Binomial 模型，用评审者随机效应和潜在类别刻画差异，并采用贝叶斯 MFM 估计。
- 材料陈述的贡献
- 摘要提出兼顾排名、评分及未知类别数的联合模型，并通过学术同行评审的真实与模拟数据展示推断和决策用途。
- 阅读关注点
- 应核对排名与评分的联合概率结构、随机效应和类别的可识别性、类别数先验，以及计算效率和决策评价的依据。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明识别条件，也不能据此确认方法首创性或普遍优势。
原文摘要
Rankings and ratings are commonly used to express preferences but provide distinct and complementary information.Rankings give ordinal and scale-free comparisons but lack granularity; ratings provide cardinal and granular assessments but may be highly subjective or inconsistent.Collecting and analyzing rankings and ratings jointly has not been performed until recently due to a lack of principled methods.In this work, we propose a flexible, joint statistical model for rankings and ratings-the Bradley-Terry-Luce-Binomial (BTL-Binomial).The model captures rater effects and preference heterogeneity, respectively, with judge-specific random effects and a latent class mixture framework where the number of classes is unknown a priori.We propose computationally-efficient estimation via a Bayesian mixture of finite mixtures (MFM) approach.Finally, we demonstrate statistical inference and decision-making based on rankings and ratings jointly through applications to real and simulated datasets in academic peer review.Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.