論文の概要: Online Dynamic Pricing of Complementary Products

• arxiv url: http://arxiv.org/abs/2511.22291v1
• Date: Thu, 27 Nov 2025 10:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.504304
• Title: Online Dynamic Pricing of Complementary Products
• Title（参考訳）: 補完商品のオンライン動的価格設定
• Authors: Marco Mussi, Marcello Restelli,
• Abstract要約: 本稿では,製品需要間の正負の相互作用を考慮したオンライン学習アルゴリズムを提案する。 当社のソリューションは、このようなインタラクションを無視した、同等の学習アルゴリズムであるWr.t.を改良する。
• 参考スコア（独自算出の注目度）: 45.90621357073487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional pricing paradigms, once dominated by static models and rule-based heuristics, are increasingly being replaced by dynamic, data-driven approaches powered by machine learning algorithms. Despite their growing sophistication, most dynamic pricing algorithms focus on optimizing the price of each product independently, disregarding potential interactions among items. By neglecting these interdependencies in consumer demand across related goods, sellers may fail to capture the full potential of coordinated pricing strategies. In this paper, we address this problem by exploring dynamic pricing mechanisms designed explicitly for complementary products, aiming to exploit their joint demand structure to maximize overall revenue. We present an online learning algorithm considering both positive and negative interactions between products' demands. The algorithm utilizes transaction data to identify advantageous complementary relationships through an integer programming problem between different items, and then optimizes pricing strategies using data-driven and computationally efficient multi-armed bandit solutions based on heteroscedastic Gaussian processes. We validate our solution in a simulated environment, and we demonstrate that our solution improves the revenue w.r.t. a comparable learning algorithm ignoring such interactions.
• Abstract（参考訳）: かつては静的モデルとルールベースのヒューリスティックに支配されていた従来の価格パラダイムは、マシンラーニングアルゴリズムを活用した動的データ駆動アプローチに置き換えられている。 高度化にもかかわらず、ほとんどの動的価格アルゴリズムは、アイテム間の潜在的な相互作用を無視して、各製品の価格を独立して最適化することに重点を置いている。 関連する商品の消費者需要におけるこれらの相互依存を無視することで、売り手は調整された価格戦略の可能性をフルに捉えられない可能性がある。 本稿では,補完製品に特化して設計された動的価格設定機構を探索し,共同需要構造を活用して全体の収益を最大化することを目的とする。 本稿では,製品需要間の正負の相互作用を考慮したオンライン学習アルゴリズムを提案する。 このアルゴリズムは、トランザクションデータを用いて、異なる項目間の整数プログラミング問題を通じて、有利な相補関係を識別し、ヘテロセダスティックガウス過程に基づく、データ駆動および計算効率のよいマルチアームバンディットソリューションを用いた価格戦略を最適化する。 シミュレーション環境でのソリューションの有効性を検証し,このようなインタラクションを無視する学習アルゴリズムであるWr.t.の収益性を改善することを実証する。

関連論文リスト

• Joint Pricing and Resource Allocation: An Optimal Online-Learning Approach [20.70943884841438]
  ネット全体の利益を最大化するために、価格と在庫を共同で決定するオンライン学習の地平について検討する。 我々は,複数のOCO上での信頼境界戦略を利用した効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-01-29T23:23:54Z)
• Dual-Agent Deep Reinforcement Learning for Dynamic Pricing and Replenishment [15.273192037219077]
  不整合決定周波数下での動的価格設定と補充問題について検討する。 我々は、包括的な市場データに基づいてトレーニングされた決定木に基づく機械学習アプローチを統合する。 このアプローチでは、2つのエージェントが価格と在庫を処理し、さまざまなスケールで更新される。
  論文  参考訳（メタデータ） (2024-10-28T15:12:04Z)
• Dynamic Pricing for Electric Vehicle Charging [6.1003048508889535]
  複数の競合する目的に効率的に対処することで、動的価格問題に対する新しい定式化を開発する。 動的価格モデルは、複数の競合する目的を同時に解決しながら、需要と価格の関係を定量化する。 カリフォルニアの2つの充電サイトのリアルワールドデータが我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-08-26T10:32:21Z)
• 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)
• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems [2.2706058775017217]
  オンラインプラットフォームは通常、消費者が商品を発見し購入する方法に影響を与えるレコメンデーションシステムを展開する。 いくつかの重要なコンポーネントを統合する新しいゲームフレームワークを提案する。 収益最大化レコメンダシステムはアルゴリズムによる共謀を増大させるのに対し,ユーティリティ最大化レコメンダシステムは売り手間の競争力を高めていることを示す。
  論文  参考訳（メタデータ） (2023-09-25T21:45:30Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。