論文の概要: Product Ranking for Revenue Maximization with Multiple Purchases
- arxiv url: http://arxiv.org/abs/2210.08268v1
- Date: Sat, 15 Oct 2022 11:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 20:11:26.072174
- Title: Product Ranking for Revenue Maximization with Multiple Purchases
- Title(参考訳): マルチ購入による収益最大化のための製品ランク付け
- Authors: Renzhe Xu, Xingxuan Zhang, Bo Li, Yafeng Zhang, Xiaolong Chen, Peng
Cui
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.15026863056805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Product ranking is the core problem for revenue-maximizing online retailers.
To design proper product ranking algorithms, various consumer choice models are
proposed to characterize the consumers' behaviors when they are provided with a
list of products. However, existing works assume that each consumer purchases
at most one product or will keep viewing the product list after purchasing a
product, which does not agree with the common practice in real scenarios. In
this paper, we assume that each consumer can purchase multiple products at
will. To model consumers' willingness to view and purchase, we set a random
attention span and purchase budget, which determines the maximal amount of
products that he/she views and purchases, respectively. Under this setting, we
first design an optimal ranking policy when the online retailer can precisely
model consumers' behaviors. Based on the policy, we further develop the
Multiple-Purchase-with-Budget UCB (MPB-UCB) algorithms with $\~O(\sqrt{T})$
regret that estimate consumers' behaviors and maximize revenue simultaneously
in online settings. Experiments on both synthetic and semi-synthetic datasets
prove the effectiveness of the proposed algorithms.
- Abstract(参考訳): 収益を最大化するオンライン小売業者にとって、製品ランキングは重要な問題だ。
適切な製品ランキングアルゴリズムを設計するために、製品リストが提供される際に消費者の行動を特徴付ける様々な消費者選択モデルを提案する。
しかし、既存の作品では、各消費者が1つ以上の製品を購入するか、製品を購入した後も商品リストを見ることを想定しており、実際のシナリオでは一般的な慣習とは一致しない。
本稿では,各消費者が自由に複数の製品を購入できると仮定する。
消費者の視聴意欲と購入意欲をモデル化するために、ランダムな注意範囲と購入予算を設定し、購入した商品の最大額をそれぞれ決定する。
この設定で、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、まず最適なランキングポリシーを設計する。
このポリシーに基づき、消費者の行動を推定し、オンライン設定で同時に収益を最大化する、$$\~O(\sqrt{T})$の多重購入型UPB(MPB-UCB)アルゴリズムをさらに発展させる。
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。
関連論文リスト
- Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。
我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
論文 参考訳(メタデータ) (2024-11-20T18:06:55Z) - 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) - Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。
まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。
当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
論文 参考訳(メタデータ) (2024-02-20T23:04:06Z) - 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) - 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) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z) - 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) - Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural
Network [0.0]
消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。
Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
論文 参考訳(メタデータ) (2020-10-14T11:00:00Z) - 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) - Assortment Optimization with Repeated Exposures and Product-dependent
Patience Cost [19.29174615532181]
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。
論文 参考訳(メタデータ) (2020-02-13T03:12:49Z) - 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。