論文の概要: Studying Product Competition Using Representation Learning

• arxiv url: http://arxiv.org/abs/2005.10402v1
• Date: Thu, 21 May 2020 00:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 22:45:06.761774
• Title: Studying Product Competition Using Representation Learning
• Title（参考訳）: 表現学習を用いた製品競争の研究
• Authors: Fanglin Chen, Xiao Liu, Davide Proserpio, Isamar Troncoso, Feiyu Xiong
• Abstract要約: 本稿では、製品レベルの競争を研究するために、表現学習アルゴリズムWord2Vecに基づくProduct2Vecを紹介する。 提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保存した低次元の埋め込みを生成する。 現状のモデルと比較して、我々のアプローチはより高速であり、より正確な需要予測と価格弾力性が得られることを示す。
• 参考スコア（独自算出の注目度）: 7.01269741110576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studying competition and market structure at the product level instead of brand level can provide firms with insights on cannibalization and product line optimization. However, it is computationally challenging to analyze product-level competition for the millions of products available on e-commerce platforms. We introduce Product2Vec, a method based on the representation learning algorithm Word2Vec, to study product-level competition, when the number of products is large. The proposed model takes shopping baskets as inputs and, for every product, generates a low-dimensional embedding that preserves important product information. In order for the product embeddings to be useful for firm strategic decision making, we leverage economic theories and causal inference to propose two modifications to Word2Vec. First of all, we create two measures, complementarity and exchangeability, that allow us to determine whether product pairs are complements or substitutes. Second, we combine these vectors with random utility-based choice models to forecast demand. To accurately estimate price elasticities, i.e., how demand responds to changes in price, we modify Word2Vec by removing the influence of price from the product vectors. We show that, compared with state-of-the-art models, our approach is faster, and can produce more accurate demand forecasts and price elasticities.
• Abstract（参考訳）: ブランドレベルではなく製品レベルでの競争と市場構造を研究することで、企業は共食いや製品ラインの最適化に関する洞察を得ることができる。 しかし、eコマースプラットフォームで利用可能な数百万の製品に対する製品レベルの競争を分析するのは、計算上困難である。 本研究では,表現学習アルゴリズム word2vec に基づく手法である product2vec を導入し,製品数が大きい場合に製品レベルの競争を研究する。 提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保持する低次元埋め込みを生成する。 製品埋め込みが戦略的意思決定に役立つためには、経済理論と因果推論を活用し、Word2Vecに2つの修正を提案する。 まず第一に、相補性と交換性という2つの尺度を作成し、製品ペアが相補的か代替的かを判断できるようにします。 第二に、これらのベクトルをランダムなユーティリティベース選択モデルと組み合わせて需要を予測する。 価格の弾性、すなわち需要が価格の変化にどう反応するかを正確に推定するために、製品ベクトルから価格の影響を取り除いて、word2vecを修正します。 最先端モデルと比較して、我々のアプローチは高速であり、より正確な需要予測と価格弾力性を生み出すことができる。

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)
• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• 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)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
  企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。 商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。 本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-26T02:07:25Z)
• 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)
• Demand Prediction Using Machine Learning Methods and Stacked Generalization [0.0]
  本稿では,eコマースWebサイトにおける需要予測のための新しいアプローチを提案する。 eコマースのWebサイトで使用されるビジネスモデルには、同じ製品を異なる価格で同時に販売する多くの売り手が含まれている。
  論文  参考訳（メタデータ） (2020-09-21T10:58:07Z)
• Modeling Product Search Relevance in e-Commerce [7.139647051098728]
  本稿では,検索クエリと商品の関連性を評価するためのロバストな手法を提案する。 BM25 や Indri のような従来の情報検索モデルと word2vec, sentence2vec, paragraph2vec といったディープラーニングモデルとの比較を行った。
  論文  参考訳（メタデータ） (2020-01-14T21:17:55Z)
• Counterfactual Inference for Consumer Choice Across Many Product Categories [6.347014958509367]
  我々は,行列因数分解の確率論的モデルに基づく機械学習文献に基づく手法を構築した。 我々のモデルは、それぞれのカテゴリを独立して考える従来のモデリングアプローチよりも改善されていることを示す。 保持データを用いて、当社のモデルは、ある製品に対して最も価格に敏感な消費者を正確に識別できることを示す。
  論文  参考訳（メタデータ） (2019-06-06T15:11:01Z)

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。