論文の概要: Optimizing Revenue while showing Relevant Assortments at Scale
- arxiv url: http://arxiv.org/abs/2003.04736v2
- Date: Tue, 2 Mar 2021 01:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 01:47:57.758074
- Title: Optimizing Revenue while showing Relevant Assortments at Scale
- Title（参考訳）: 収益を最適化し、規模で関連する品揃えを示す
- Authors: Theja Tulabandhula and Deeksha Sinha and Saketh Karra
- Abstract要約: リアルタイムアソシエーション最適化は、電子商取引業務において欠かせないものとなっている。
我々は、困難な状況下で最適なアソートを見つける高速で柔軟なアルゴリズムを設計する。
実世界のデータセットを用いた実証検証によると、我々のアルゴリズムは、アイテムの数が以前研究されたよりも105$$大きいインスタンスであっても競争力がある。
- 参考スコア（独自算出の注目度）: 1.0200170217746136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scalable real-time assortment optimization has become essential in e-commerce
operations due to the need for personalization and the availability of a large
variety of items. While this can be done when there are simplistic assortment
choices to be made, the optimization process becomes difficult when imposing
constraints on the collection of relevant assortments based on insights by
store-managers and historically well-performing assortments. We design fast and
flexible algorithms based on variations of binary search that find the
(approximately) optimal assortment in this difficult regime. In particular, we
revisit the problem of large-scale assortment optimization under the
multinomial logit choice model without any assumptions on the structure of the
feasible assortments. We speed up the comparison steps using advances in
similarity search in the field of information retrieval/machine learning. For
an arbitrary collection of assortments, our algorithms can find a solution in
time that is sub-linear in the number of assortments, and for the simpler case
of cardinality constraints - linear in the number of items (existing methods
are quadratic or worse). Empirical validations using a real world dataset (in
addition to experiments using semi-synthetic data based on the Billion Prices
dataset and several retail transaction datasets) show that our algorithms are
competitive even when the number of items is $\sim 10^5$ ($10\times$ larger
instances than previously studied).
- Abstract（参考訳）: パーソナライズや多種多様なアイテムの入手の必要性から,eコマース業務においてスケーラブルなリアルタイムアソシエーション最適化が不可欠となっている。
単純化されたソートの選択がある場合、これは可能だが、ストアマネージャの洞察に基づいて関連するソートの集合に制約を課すことで最適化プロセスが困難になる。
我々は,この難易度において,(ほぼ)最適解を求める二分探索のバリエーションに基づいて,高速かつ柔軟なアルゴリズムを設計する。
特に,多項ロジット選択モデルに基づく大規模アソート最適化の問題を,実現可能なアソート構造に関する仮定なしで再検討する。
情報検索/機械学習分野における類似性検索の進歩を用いて,比較ステップを高速化する。
任意のアソシエーションの集合に対して、我々のアルゴリズムは、アソシエーションの個数のサブ線形な解を見つけることができ、また、より単純な濃度制約の場合、アイテムの個数の線型である(既存のメソッドは2次あるいはそれ以上である)。
実世界のデータセット(数十億ドルのプライスデータセットといくつかの小売取引データセットに基づく半合成データを用いた実験に加えて)を使用した実証的な検証は、我々のアルゴリズムが、アイテムの数が以前研究されたより大きいインスタンスに対して$\sim 10^5$$10\times$である場合でも競合していることを示している。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - PASTA: Pessimistic Assortment Optimization [25.51792135903357]
オフラインデータ駆動環境でのアソシエーション最適化のクラスについて検討する。
本稿では,悲観主義の原理に基づくPASTA(Pessimistic Assortment opTimizAtion)と呼ばれるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-08T01:11:51Z) - Scalable Batch Acquisition for Deep Bayesian Active Learning [70.68403899432198]
ディープラーニングでは、各ステップでマークアップする複数の例を選択することが重要です。
BatchBALDのような既存のソリューションでは、多くの例を選択する際に大きな制限がある。
本稿では,より計算効率のよいLarge BatchBALDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-13T11:45:17Z) - Max-Min Diversification with Fairness Constraints: Exact and
Approximation Algorithms [17.57585822765145]
本稿では,小データセットに適した正確なアルゴリズムと,大データセットにスケールする任意の$varepsilon in (0, 1)$に対して$frac1-varepsilon integer 5$-approximationアルゴリズムを提案する。
実世界のデータセットに対する実験は、提案アルゴリズムが既存のデータセットよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T13:02:35Z) - Efficient and Accurate Top-$K$ Recovery from Choice Data [1.14219428942199]
レコメンデーションシステムのようないくつかのアプリケーションでは、統計学者は主に大量のアイテムから上位のアイテムの集合を回収することに興味がある。
そこで本稿では,K$-recoveryの高速かつ高精度なランキングアルゴリズムとして,選択に基づくボルダカウントアルゴリズムを提案する。
選択に基づくボルダカウントアルゴリズムは,多種多様なランダム効用モデルの下で,上位$Kの回収に最適なサンプル複雑性を有することを示す。
論文 参考訳（メタデータ） (2022-06-23T22:05:08Z) - Multidimensional Assignment Problem for multipartite entity resolution [69.48568967931608]
Multipartiteエンティティ解決は、複数のデータセットから1つのエンティティにレコードを統合することを目的としている。
代入問題を解くために、グリーディアルゴリズムと大規模近傍探索という2つの手順を適用する。
データベースのサイズが大きくなるにつれて、設計ベースのマルチスタートがより効率的であることを示す。
論文 参考訳（メタデータ） (2021-12-06T20:34:55Z) - Maximizing Store Revenues using Tabu Search for Floor Space Optimization [0.0]
我々は、この問題を、さらに大域的な制約を伴って連結多重選択knapsack問題として定式化する。
タブ検索に基づくメタヒューリスティックを提案する。
論文 参考訳（メタデータ） (2020-11-04T22:42:54Z) - Ranking a set of objects: a graph based least-square approach [70.7866286425868]
同一労働者の群集によるノイズの多いペアワイズ比較から始まる$N$オブジェクトのランク付けの問題について考察する。
品質評価のために,最小二乗内在的最適化基準に依存する非適応的ランキングアルゴリズムのクラスを提案する。
論文 参考訳（メタデータ） (2020-02-26T16:19:09Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。