論文の概要: Assortment Optimization with Repeated Exposures and Product-dependent Patience Cost

• arxiv url: http://arxiv.org/abs/2002.05321v2
• Date: Mon, 13 Jul 2020 20:32:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 10:09:18.643048
• Title: Assortment Optimization with Repeated Exposures and Product-dependent Patience Cost
• Title（参考訳）: 繰り返し露光によるアソシエーション最適化と製品依存パテントコスト
• Authors: Shaojie Tang and Jing Yuan
• Abstract要約: アマゾンなど多くのオンライン小売業者が直面しているアソシエーション最適化問題について検討する。 我々は,複数の段階にわたる消費者の購買行動を把握するために,多項ロジットモデルを開発した。
• 参考スコア（独自算出の注目度）: 19.29174615532181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the assortment optimization problem faced by many online retailers such as Amazon. We develop a \emph{cascade multinomial logit model}, based on the classic multinomial logit model, to capture the consumers' purchasing behavior across multiple stages. Different from existing studies, our model allows for repeated exposures of a product, i.e., the same product can be displayed multiple times across different stages. In addition, each consumer has a \emph{patience budget} that is sampled from a known distribution and each product is associated with a \emph{patience cost}, which captures the cognitive efforts spent on browsing that product. Given an assortment of products, a consumer sequentially browses them stage by stage. After browsing all products in one stage, if the utility of a product exceeds the utility of the outside option, the consumer proceeds to purchase the product and leave the platform. Otherwise, if the patience cost of all products browsed up to that point is no larger than her patience budget, she continues to view the next stage. We propose an approximation solution to this problem.
• Abstract（参考訳）: 本稿では,Amazonなど多くのオンライン小売業者が直面しているアソシエーション最適化問題について検討する。 従来の多項ロジットモデルに基づき,複数の段階にわたる消費者の購買行動を把握するために, \emph{cascade multinomial logit model} を開発した。 既存の研究と異なり、我々のモデルは製品の繰り返し露光を可能にし、すなわち、同じ製品を異なるステージに複数回表示することができる。 さらに、各消費者は既知の分布からサンプリングされた「emph{patience budget」を持ち、各製品は「emph{patience cost」に関連付けられ、その商品の閲覧に費やされる認知的労力をキャプチャする。 製品の種類が与えられた場合、コンシューマはステージごとにステージを順次閲覧する。 すべての製品を1つの段階で閲覧した後、製品のユーティリティが外部オプションのユーティリティを超えると、コンシューマは製品を購入してプラットフォームを離れる。 さもなければ、その時点まで閲覧したすべての製品の忍耐コストが彼女の忍耐予算より大きくない場合、彼女は次のステージを見続けます。 我々はこの問題に対する近似解を提案する。

関連論文リスト

• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• MMAPS: End-to-End Multi-Grained Multi-Modal Attribute-Aware Product Summarization [93.5217515566437]
  マルチモーダル製品要約(MPS: Multi-modal Product Summarization)は、商品の特徴を強調して顧客の購入意欲を高めることを目的としている。 既存のMPS手法は有望な結果をもたらすが、それでもエンドツーエンドの製品要約は欠如している。 本稿では,eコマースにおける高品質な製品要約を生成するために,エンド・ツー・エンドのマルチモーダル属性対応製品要約手法(MMAPS)を提案する。
  論文  参考訳（メタデータ） (2023-08-22T11:00:09Z)
• Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
  オンライン小売業者が消費者の行動を正確にモデル化できる場合に最適なランキングポリシーを提案する。 We developed the Multiple-Purchase-with-Budget UCB algorithm with $O(sqrtT)$ regret。 合成データセットと半合成データセットの両方の実験により、提案アルゴリズムの有効性が証明された。
  論文  参考訳（メタデータ） (2022-10-15T11:59:45Z)
• Product1M: Towards Weakly Supervised Instance-Level Product Retrieval via Cross-modal Pretraining [108.86502855439774]
  弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。 実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。 ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-30T12:11:24Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Personalized Entity Resolution with Dynamic Heterogeneous Knowledge Graph Representations [40.37976161857134]
  製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。 まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。 その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
  論文  参考訳（メタデータ） (2021-04-06T16:58:27Z)
• Revenue Maximization and Learning in Products Ranking [1.7403133838762448]
  私たちは、価格と品質が異なる一連の製品を表示し、順番にランク付けすることを計画しているオンライン小売業者の収益問題を検討します。 消費者は無作為な注意スパンを持ち、サティフィシング製品を購入するか、注意スパンが切れたときにプラットフォームを空にしておく。 我々のフレームワークはカスケードモデルを2つの方向に拡張している: 消費者は固定されたものの代わりにランダムな注意範囲を持ち、会社は確率をクリックせずに収益を最大化する。
  論文  参考訳（メタデータ） (2020-12-07T15:41:57Z)
• Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding [53.02059906193556]
  消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。 階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。 実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
  論文  参考訳（メタデータ） (2020-07-14T06:06:41Z)
• Price Optimization in Fashion E-commerce [4.974165555396548]
  本稿では,各製品レベルで最適な価格点を求めるための新しい機械学習と最適化手法を提案する。 ABテストの結果によると、当社のモデルは売上を1%、粗利率を0.81パーセント改善しています。
  論文  参考訳（メタデータ） (2020-07-10T07:40:28Z)
• Scalable bundling via dense product embeddings [1.933681537640272]
  バンドルとは,2つ以上の製品をディスカウントで共同販売するプラクティスである。 我々は,大規模なクロスカテゴリ小売環境でバンドルを設計するための,機械学習による新しい手法を開発した。 埋め込みベースの製品は、バンドルの成功の強力な予測要因であり、製品全体にわたって堅牢であり、小売業者全体の構成によく当てはまります。
  論文  参考訳（メタデータ） (2020-01-31T23:34:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。