文件名称：通用级联点击模型下多产品定价（和排名）的联合学习和优化-研究论文
文件大小：2.69MB
文件格式：PDF
更新时间：2024-06-29 12:20:54
pricing cascade click
我们在一般级联点击模型下考虑联合学习和优化问题。 在这种模式下，客户按照显示的降序检查产品，从列表的顶部到（可能）底部。 在每一步，客户都可以决定是购买当前产品，放弃当前产品并继续检查下一个产品，或者只是不购买任何产品而终止搜索。 我们首先考虑核心定价问题，其中每个产品的展示位置（排名）是固定的，公司需要做出的唯一决定是定价。 然后我们考虑在存在过滤选项的情况下对联合排名和定价问题的扩展，客户可以使用它来过滤掉一些不受欢迎的产品。 对于这两个问题，我们开发了具有理论性能保证的基于上置信界 (UCB) 的联合学习和优化算法。 这里的关键挑战是构建一个 UCB 算法，该算法利用 Cascade Click 模型的结构，同时考虑所有历史点击和购买信息。 我们的数值结果产生了三个关键见解。 首先，天真地应用标准的黑盒 UCB 算法而不使其适应级联结构是非常低效的，并且会在有限的范围内导致总收入的巨大损失。 其次，通过假设忽略级联行为的错误指定模型来应用学习算法可能会导致高度次优的解决方案。 第三，联合优化排名和定价可以显着提升绩效。 因此，尽管在实践中这些决策有时因组织结构而分开做出，但我们的结果表明，当这两个决策更紧密地协调时，可以实现显着的收益。