标题： 贝叶斯非参数模型用于排序数据 显示英文标题

标题： Bayesian nonparametric models for ranked data

摘要： 我们开发了Plackett-Luce选择模型的一种贝叶斯非参数扩展，该扩展能够处理无限数量的选择项目。 我们的框架基于随机原子测度理论，先验由伽马过程指定。 我们推导出后验特征，并提出了一种简单有效的Gibbs采样器以用于后验模拟。 我们还开发了模型的时间变化扩展形式，并将其应用于《纽约时报》每周畅销书榜单。 显示英文摘要

摘要： We develop a Bayesian nonparametric extension of the popular Plackett-Luce choice model that can handle an infinite number of choice items. Our framework is based on the theory of random atomic measures, with the prior specified by a gamma process. We derive a posterior characterization and a simple and effective Gibbs sampler for posterior simulation. We develop a time-varying extension of our model, and apply it to the New York Times lists of weekly bestselling books.