本論文は、価格、製品品質、持続可能性など、いくつかの矛盾する目標を含む実際の組み合わせ最適化問題を扱います。複数の目標を単一の目標関数に集計する計算効率的な方法（線形結合など）があるが、線形結合の重みをあらかじめ定義することは困難である。あるいは、ユーザに候補解決策の比較を要求する対話型学習方法が有望である。主な課題は、候補を迅速に生成し、高品質のソリューションにつながる目標関数を学習し、ユーザーの対話を最小限に抑えることです。本論文は、Constructive Preference Elicitation（CPE）フレームワークに基づいて3つの属性（相互作用速度、学習性能、ユーザー対話数）を改善する方法を提供します。インタラクション速度を向上させるための（緩和された）ソリューションプールを使用し、学習パフォーマンスを向上させるためにBradley-Terryアフィニティモデルの最大尤度推定を採用し、ユーザーインタラクション数を減らすためにActive Learningに触発されたアンサンブルベースの取得関数を使用します。 PC構成タスクと現実的なマルチインスタンスルーティング問題の実験は、従来のCPE方法よりも高速なクエリ選択、少ないクエリ数、より高品質の組み合わせソリューションの生成を示しています。
