本文综述随机效用模型（RUMs）的多项研究：提出基于贝叶斯实验设计的GRUMs偏好引导方案与MAP推断算法，并证明一类GRUMs似然函数的单峰性；构建带特征的广义RUM以生成不完整偏好；提出RBCML框架学习RUMs并刻画其严格对数凹性与一致性条件；给出拟合RUMs的多项式时间算法；并将RUMs应用于非合作博弈建模、uplift建模的GBDT改进、基于PAC学习的新学习算法、决策桩集成及结合领域知识的可解释离散选择框架。