Bayesian nonparametric models for ranked data

Francois Caron 1, 2 Yee Whye Teh 3
1 ALEA - Advanced Learning Evolutionary Algorithms
UB - Université de Bordeaux, CNRS - Centre National de la Recherche Scientifique : UMR5251, Inria Bordeaux - Sud-Ouest
Résumé : On s'intéresse dans ce rapport à une extension bayésienne non paramétrique du modèle de Plackett-Luce pour les données de rang, pouvant traiter un nombre potentiellement infini d'éléments. Notre cadre se base sur la théorie des mesures complètement aléatoires, avec comme a priori un processus de gamma. Nous dérivons une caractérisation de la loi a posteriori et un échantillonneur de Gibbs simple pour approcher la loi a posteriori. Nous développons également une version dynamique de notre modèle, et l'appliquons aux listes hebdomadaires des 20 meilleures ventes du New York Times.
Type de document :
Communication dans un congrès
NIPS - Neural Information Processing Systems, Dec 2012, Lake Tahoe, United States. MIT Press, 2012


https://hal.inria.fr/hal-00730792
Contributeur : Francois Caron <>
Soumis le : dimanche 18 novembre 2012 - 20:15:29
Dernière modification le : vendredi 11 septembre 2015 - 01:07:08

Fichiers

RR-8140.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00730792, version 1
  • ARXIV : 1211.4321

Collections

Citation

Francois Caron, Yee Whye Teh. Bayesian nonparametric models for ranked data. NIPS - Neural Information Processing Systems, Dec 2012, Lake Tahoe, United States. MIT Press, 2012. <hal-00730792>

Exporter

Partager

Métriques

Consultations de
la notice

216

Téléchargements du document

443