Partition–Mallows Model and Its Inference for Rank Aggregation
用于排序聚合的分组–Mallows 模型及其推断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：摘要研究排序聚合与排序者可靠性，未提供经济选择行为或所列其他细分领域的明确证据。
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…
用于排序聚合的分组–Mallows 模型及其推断
- 研究问题
- 仅凭多个排序者提供的排序列表，如何识别排序者的可靠性差异，并聚合出相关对象的细致相对排序信息？
- 方法与思路
- 作者将对象划分为相关与背景两组，对相关对象的相对排序引入 Mallows 模型，形成同时处理对象和排序者的框架。
- 材料陈述的贡献
- 摘要称建立该方法的理论性质，并用模拟和实际数据展示优势；还讨论部分排序列表和协变量辅助排序聚合扩展。
- 阅读关注点
- 核对对象分组与排序者可靠性如何识别、理论性质的具体内容，以及部分排序和协变量扩展是否需要额外假设。
- 阅读边界
- 摘要未列出具体理论条件、比较指标及数值结果，排序数据本身不足以认定为经济离散选择模型。来源为版本未注明的 OpenAlex 索引摘要，刊本变化未知。
原文摘要
Learning how to aggregate ranking lists has been an active research area for many years and its advances have played a vital role in many applications ranging from bioinformatics to internet commerce. The problem of discerning reliability of rankers based only on the rank data is of great interest to many practitioners, but has received less attention from researchers. By dividing the ranked entities into two disjoint groups, that is, relevant and irrelevant/background ones, and incorporating the Mallows model for the relative ranking of relevant entities, we propose a framework for rank aggregation that can not only distinguish quality differences among the rankers but also provide the detailed ranking information for relevant entities. Theoretical properties of the proposed approach are established, and its advantages over existing approaches are demonstrated via simulation studies and real-data applications. Extensions of the proposed method to handle partial ranking lists and conduct covariate-assisted rank aggregation are also discussed.