論文の概要: Learning Consumer Preferences from Bundle Sales Data

• arxiv url: http://arxiv.org/abs/2209.04942v1
• Date: Sun, 11 Sep 2022 21:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 12:44:02.348787
• Title: Learning Consumer Preferences from Bundle Sales Data
• Title（参考訳）: バンドル販売データから消費者選好を学ぶ
• Authors: Ningyuan Chen, Setareh Farajollahzadeh, Guan Wang
• Abstract要約: 本稿では,バンドル販売データを用いて消費者の商品に対する評価値の分布を学習するためのアプローチを提案する。 EMアルゴリズムとモンテカルロシミュレーションを用いて,消費者評価の分布を復元する。
• 参考スコア（独自算出の注目度）: 2.6899658723618005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product bundling is a common selling mechanism used in online retailing. To set profitable bundle prices, the seller needs to learn consumer preferences from the transaction data. When customers purchase bundles or multiple products, classical methods such as discrete choice models cannot be used to estimate customers' valuations. In this paper, we propose an approach to learn the distribution of consumers' valuations toward the products using bundle sales data. The approach reduces it to an estimation problem where the samples are censored by polyhedral regions. Using the EM algorithm and Monte Carlo simulation, our approach can recover the distribution of consumers' valuations. The framework allows for unobserved no-purchases and clustered market segments. We provide theoretical results on the identifiability of the probability model and the convergence of the EM algorithm. The performance of the approach is also demonstrated numerically.
• Abstract（参考訳）: 商品のバンドルは、オンライン小売でよく使われる販売メカニズムである。 利益を上げるバンドル価格を設定するには、売り手は取引データから消費者の好みを知る必要がある。 顧客がバンドルや複数の製品を購入するとき、個々の選択モデルのような古典的な手法は顧客の評価を見積もることはできない。 本稿では,バンドル販売データを用いた製品に対する消費者評価の分布を学習するためのアプローチを提案する。 このアプローチは、サンプルが多面体領域によって検閲される推定問題に還元される。 提案手法はemアルゴリズムとモンテカルロシミュレーションを用いて消費者評価の分布を再現する。 このフレームワークは、未購入の未購入とクラスタ化された市場セグメントを可能にする。 確率モデルの同定可能性とEMアルゴリズムの収束性に関する理論的結果を提供する。 また,本手法の性能を数値的に示す。

関連論文リスト

• Data Distribution Valuation [56.71023681599737]
  既存のデータバリュエーションメソッドは、離散データセットの値を定義します。 多くのユースケースでは、ユーザはデータセットの値だけでなく、データセットがサンプリングされた分布の値にも興味を持っています。 本稿では,理論的原理と実行可能なポリシを実現するための,MMDに基づく評価手法を提案する。
  論文  参考訳（メタデータ） (2024-10-06T07:56:53Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing [27.459774494479227]
  1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
  論文  参考訳（メタデータ） (2023-07-19T13:49:35Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
  PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
  論文  参考訳（メタデータ） (2022-05-12T11:15:47Z)
• Multi-label Contrastive Predictive Coding [125.03510235962095]
  差分相互情報(MI)推定器は、コントラスト予測符号化(CPC)のような教師なし表現学習法で広く利用されている。 本稿では,複数の正のサンプルを同時に同定する必要がある多ラベル分類問題に基づく新しい推定器を提案する。 同一量の負のサンプルを用いて複数ラベルのCPCが$log m$boundを超えることができる一方で、相互情報の有意な下限であることを示す。
  論文  参考訳（メタデータ） (2020-07-20T02:46:21Z)
• Adversarial learning for product recommendation [0.0]
  本研究は, 共同分布(ビュー, 購入)行動からサンプルを生成することを学習する条件付き, 結合型生成対向ネットワーク(RecommenderGAN)を提案する。 しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-07T23:35:36Z)
• The Use of Binary Choice Forests to Model and Estimate Discrete Choices [15.952584576883973]
  小売業では、顧客の選択行動を捉えるために、離散選択モデル(DCM)が一般的に使用される。 本研究では,二分決定木の森林を用いてDCMを表現した。 提案手法は,任意のDCMの選択確率を連続的に予測し,不特定性に悩まされないことを示す。
  論文  参考訳（メタデータ） (2019-08-03T02:34:49Z)
• 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。