論文の概要: Learning from Double Positive and Unlabeled Data for Potential-Customer Identification
- arxiv url: http://arxiv.org/abs/2506.00436v2
- Date: Mon, 09 Jun 2025 09:56:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 14:13:04.098326
- Title: Learning from Double Positive and Unlabeled Data for Potential-Customer Identification
- Title（参考訳）: 潜在顧客識別のための二重正・未ラベルデータからの学習
- Authors: Masahiro Kato, Yuki Ikeda, Kentaro Baba, Takashi Imai, Ryo Inokuchi,
- Abstract要約: 意思決定者は、人々が会社に忠誠心を持っているかどうかに基づいて、効果的に製品を売り込もうとする。
本稿では、ポジティブなデータやラベルなしデータから学習を応用して、ターゲットマーケティングにおける潜在的な顧客を特定する手法を提案する。
- 参考スコア（独自算出の注目度）: 6.72834963752212
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this study, we propose a method for identifying potential customers in targeted marketing by applying learning from positive and unlabeled data (PU learning). We consider a scenario in which a company sells a product and can observe only the customers who purchased it. Decision-makers seek to market products effectively based on whether people have loyalty to the company. Individuals with loyalty are those who are likely to remain interested in the company even without additional advertising. Consequently, those loyal customers would likely purchase from the company if they are interested in the product. In contrast, people with lower loyalty may overlook the product or buy similar products from other companies unless they receive marketing attention. Therefore, by focusing marketing efforts on individuals who are interested in the product but do not have strong loyalty, we can achieve more efficient marketing. To achieve this goal, we consider how to learn, from limited data, a classifier that identifies potential customers who (i) have interest in the product and (ii) do not have loyalty to the company. Although our algorithm comprises a single-stage optimization, its objective function implicitly contains two losses derived from standard PU learning settings. For this reason, we refer to our approach as double PU learning. We verify the validity of the proposed algorithm through numerical experiments, confirming that it functions appropriately for the problem at hand.
- Abstract（参考訳）: 本研究では,正・未ラベルデータ(PU学習)からの学習を適用し,ターゲットマーケティングにおける潜在的な顧客を特定する手法を提案する。
企業が製品を販売し、購入した顧客のみを観察できるシナリオを考える。
意思決定者は、人々が会社に忠誠心を持っているかどうかに基づいて、効果的に製品を売り込もうとする。
忠誠心を持つ個人は、追加広告なしでも会社に興味を持つ可能性が高い。
その結果、もし製品に興味があるなら、忠実な顧客は会社から購入する可能性が高い。
対照的に、忠誠心の低い人は、マーケティングの注意を引かない限り、製品を見落としたり、他の企業から同様の製品を購入したりすることができる。
したがって、製品に興味があるが忠誠心が強くない個人にマーケティング努力を集中させることで、より効率的なマーケティングを実現することができる。
この目標を達成するために、限られたデータから、潜在的な顧客を特定する分類器を学習する方法を検討する。
(i)製品に興味を持ち、かつ、
(二)会社への忠誠心がない。
本アルゴリズムは単段最適化を含むが,その目的関数には,標準的なPU学習設定による2つの損失が暗黙的に含まれている。
そのため、我々はこの手法を二重PU学習と呼ぶ。
本研究では,提案アルゴリズムの有効性を数値実験により検証し,その問題に対して適切に機能することを確認した。
関連論文リスト
- IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce [71.37481473399559]
本稿では,eコマースにおけるLMの購入意図の理解を評価するためのベンチマークであるIntentionQAを提案する。
インテンションQAは、自動化パイプラインを使用して構築された3つの困難レベルにわたる4,360の慎重に計算された問題で構成されている。
人間の評価は、我々のベンチマークの高品質で低い偽陰性率を示す。
論文 参考訳（メタデータ） (2024-06-14T16:51:21Z) - Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。
このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。
適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
論文 参考訳（メタデータ） (2024-03-21T14:48:37Z) - Dynamic Pricing and Advertising with Demand Learning [16.54088382906195]
販売者が商品価格を設定できるだけでなく、フレキシブルな「広告スキーム」をデザインする新しい価格と広告の枠組みを考える。
我々は、販売者の実現可能な広告戦略に構造的な制限を課さず、情報を開示したり隠したりすることで、商品の宣伝を許す。
顧客は広告信号を観察し、製品に対するベイズ的な信念を推測します。
論文 参考訳（メタデータ） (2023-04-27T17:52:06Z) - 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) - 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) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - 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) - Dynamically Tie the Right Offer to the Right Customer in
Telecommunications Industry [0.0]
本研究は,顧客ターゲットのキャンペーン依存変数に着目した概念モデルを提案する。
この研究の顧客セグメンテーションの結果は、マーケターにとってより意味があり、関連性があるかもしれない。
論文 参考訳（メタデータ） (2020-10-18T16:44:51Z) - Learning Product Rankings Robust to Fake Users [15.570621284198019]
多くのオンラインプラットフォームでは、顧客の決定は製品ランキングに大きく影響される。
これらのプラットフォームは、顧客の行動に対応する同じデータを使用して、これらの製品のランク付けや注文方法を学ぶ。
このような不正行為を動機として,実ユーザと偽ユーザの混在するプラットフォームにおけるランキング問題について検討する。
論文 参考訳（メタデータ） (2020-09-10T20:26:02Z)
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。