偏好补全已经被广泛应用到多个领域，如社交选择、推荐系统等。在这些领域中，每个用户只有针对部分项目的排序，而让用户提供一份针对所有项目的完整的排序很多时候是不现实的。偏好补全的目标是利用所有人的不完整的偏好排序来推断出每个人的针对所有项目的一份完整的偏好排序。但是，用户在很多情况下会给出不合理的排序或者给出偏好排序的一个噪音版本，那么如何在存在噪音的情况下更准确的对用户的偏好进行补全是一个不断研究的问题。另一方面，偏好补全问题中的数据往往具有多源、动态、海量特征，那么如何在保证准确度的条件下提升算法的时间性能也是一个关键问题。