論文の概要: Learning to Price Bundles: A GCN Approach for Mixed Bundling

• arxiv url: http://arxiv.org/abs/2509.22557v1
• Date: Fri, 26 Sep 2025 16:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.587265
• Title: Learning to Price Bundles: A GCN Approach for Mixed Bundling
• Title（参考訳）: バンドル価格の学習: 混合バンドルのためのGCNアプローチ
• Authors: Liangyu Ding, Chenghan Wu, Guokai Li, Zizhuo Wang,
• Abstract要約: バンドル価格問題におけるグラフ畳み込みネットワーク(GCN)の利用について検討する。 トレーニングされたGCNに基づいて、高品質な実現可能なソリューションを導出するための2つの推論戦略を提案する。 5つの製品を持つインスタンスで訓練されたGCNを用いて、我々の手法は計算時間に限り、ほぼ最適な解(97%以下)を一貫して達成する。
• 参考スコア（独自算出の注目度）: 1.224954637705144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bundle pricing refers to designing several product combinations (i.e., bundles) and determining their prices in order to maximize the expected profit. It is a classic problem in revenue management and arises in many industries, such as e-commerce, tourism, and video games. However, the problem is typically intractable due to the exponential number of candidate bundles. In this paper, we explore the usage of graph convolutional networks (GCNs) in solving the bundle pricing problem. Specifically, we first develop a graph representation of the mixed bundling model (where every possible bundle is assigned with a specific price) and then train a GCN to learn the latent patterns of optimal bundles. Based on the trained GCN, we propose two inference strategies to derive high-quality feasible solutions. A local-search technique is further proposed to improve the solution quality. Numerical experiments validate the effectiveness and efficiency of our proposed GCN-based framework. Using a GCN trained on instances with 5 products, our methods consistently achieve near-optimal solutions (better than 97%) with only a fraction of computational time for problems of small to medium size. It also achieves superior solutions for larger size of problems compared with other heuristic methods such as bundle size pricing (BSP). The method can also provide high quality solutions for instances with more than 30 products even for the challenging cases where product utilities are non-additive.
• Abstract（参考訳）: バンドル価格とは、いくつかの製品の組み合わせ(すなわちバンドル)を設計し、期待される利益を最大化するために価格を決定することを指す。 これは収益管理における古典的な問題であり、電子商取引、観光、ビデオゲームなど多くの産業で発生している。 しかし、この問題は典型的には、指数的な数の候補バンドルのため、難解である。 本稿では,バンドル価格問題におけるグラフ畳み込みネットワーク(GCN)の利用について検討する。 具体的には、まず混合バンドルモデル(全てのバンドルが特定の価格で割り当てられる)のグラフ表現を開発し、次にGCNを訓練して最適なバンドルの潜在パターンを学習する。 トレーニングされたGCNに基づいて、高品質な実現可能なソリューションを導出するための2つの推論戦略を提案する。 解の質を改善するために局所探索手法が提案されている。 提案したGCNフレームワークの有効性と有効性を検証する数値実験を行った。 5つの製品を持つインスタンスで訓練されたGCNを用いることで、小～中程度の問題に対して計算時間に限り、ほぼ最適な解(97%以下)を一貫して達成する。 また、バンドルサイズ価格 (BSP) などの他のヒューリスティック手法と比較して、より大規模な問題に対する優れた解も達成している。 また、製品ユーティリティが非付加的な場合であっても、30以上の製品を持つインスタンスに対して高品質なソリューションを提供することもできる。

関連論文リスト

• From Small to Large: A Graph Convolutional Network Approach for Solving Assortment Optimization Problems [0.0]
  混合多項ロジット選択モデルに基づく制約付きアソシエーション最適化 問題のグラフ表現を開発し、次にGCNを訓練して最適な選択肢のパターンを学習する。 本稿ではGCNの出力に基づく2つの推論ポリシーを提案する。
  論文  参考訳（メタデータ） (2025-07-14T22:04:29Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)

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。