論文の概要: Optimal Exploration of New Products under Assortment Decisions
- arxiv url: http://arxiv.org/abs/2604.18800v1
- Date: Mon, 20 Apr 2026 20:08:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.469471
- Title: Optimal Exploration of New Products under Assortment Decisions
- Title（参考訳）: 品揃え決定下における新商品の最適探索
- Authors: Jackie Baek, Atanas Dinev, Thodoris Lykouris,
- Abstract要約: 容量制約のある品揃え決定を行うプラットフォーム上で,新製品のオンライン学習について検討する。
同時に探索する新製品の最適数は、単純なしきい値構造を持つことを示す。
当社の結果は、プラットフォームが品揃え決定を通じて新製品についてどのように学ぶべきかに関する構造的な洞察を提供する。
- 参考スコア（独自算出の注目度）: 3.5001922790927167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study online learning for new products on a platform that makes capacity-constrained assortment decisions on which products to offer. For a newly listed product, its quality is initially unknown, and quality information propagates through social learning: when a customer purchases a new product and leaves a review, its quality is revealed to both the platform and future customers. Since reviews require purchases, the platform must feature new products in the assortment ("explore") to generate reviews to learn about new products. Such exploration is costly because customer demand for new products is lower than for incumbent products. We characterize the optimal assortments for exploration to minimize regret, addressing two questions. (1) Should the platform offer a new product alone or alongside incumbent products? The former maximizes the purchase probability of the new product but yields lower short-term revenue. Despite the lower purchase probability, we show it is always optimal to pair the new product with the top incumbent products. (2) With multiple new products, should the platform explore them simultaneously or one at a time? We show that the optimal number of new products to explore simultaneously has a simple threshold structure: it increases with the "potential" of the new products and, surprisingly, does not depend on their individual purchase probabilities. We also show that two canonical bandit algorithms, UCB and Thompson Sampling, both fail in this setting for opposite reasons: UCB over-explores while Thompson Sampling under-explores. Our results provide structural insights on how platforms should learn about new products through assortment decisions.
- Abstract（参考訳）: われわれは,どの製品を提供するかという,容量に制約のある品揃え決定を行うプラットフォーム上で,新製品のオンライン学習を研究している。
顧客が新しい製品を購入してレビューを残すと、その品質がプラットフォームと将来の顧客の両方に明らかにされる。
レビューは購入を必要とするため、プラットフォームは、新しい製品について学ぶためにレビューを生成するために、アソシエーション("explore")に新製品を特徴付ける必要がある。
このような調査は、新規製品に対する顧客の需要が既存製品よりも低いため、コストがかかる。
後悔を最小限に抑えるための探索のための最適な選択肢を特徴付け, 2つの疑問に対処する。
1)プラットフォームは、新規製品のみを提供するか、既存の製品と共に提供するべきか。
前者は新商品の購入確率を最大化するが、短期収益は低い。
購入確率が低いにもかかわらず、我々は常に新しい製品を既存の製品と組み合わせるのが最適であることを示す。
2)複数の新製品によって,プラットフォームは同時に,あるいは一度にひとつを探索すべきだろうか?
同時に探索する新製品の最適数は単純なしきい値構造を持ち、それは新製品の「ポテンシャル」の増加とともに増加し、驚くべきことに、個々の購入確率に依存しない。
また、UCBとThompson Smplingの2つの標準バンディットアルゴリズムは、どちらも逆の理由で失敗している。
当社の結果は、プラットフォームが品揃え決定を通じて新製品についてどのように学ぶべきかに関する構造的な洞察を提供する。
関連論文リスト
- Exploring Query Understanding for Amazon Product Search [62.53282527112405]
問合せ理解に基づくランキング機能がどのようにランキングに影響を及ぼすかを検討する。
ランク付けのためのクエリ理解に基づくマルチタスク学習フレームワークを提案する。
本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
論文 参考訳（メタデータ） (2024-08-05T03:33:11Z) - ForeSeer: Product Aspect Forecasting Using Temporal Graph Embedding [25.421723193835895]
Foreseerはレビューテキスト、製品ネットワーク、時間情報を効果的に統合することで、レビュー予測のための新しいフレームワークを提供する。
ForeSeerは,3年間で11,536,382のレビューと11,000の製品を含む実世界の製品レビューシステムで評価した。
論文 参考訳（メタデータ） (2023-10-07T16:21:04Z) - MMAPS: End-to-End Multi-Grained Multi-Modal Attribute-Aware Product
Summarization [93.5217515566437]
マルチモーダル製品要約(MPS: Multi-modal Product Summarization)は、商品の特徴を強調して顧客の購入意欲を高めることを目的としている。
既存のMPS手法は有望な結果をもたらすが、それでもエンドツーエンドの製品要約は欠如している。
本稿では,eコマースにおける高品質な製品要約を生成するために,エンド・ツー・エンドのマルチモーダル属性対応製品要約手法(MMAPS)を提案する。
論文 参考訳（メタデータ） (2023-08-22T11:00:09Z) - Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
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。
論文 参考訳（メタデータ） (2022-10-15T11:59:45Z) - OA-Mine: Open-World Attribute Mining for E-Commerce Products with Weak
Supervision [93.26737878221073]
オープンワールド環境における属性マイニングの問題点を考察し,新しい属性とその値の抽出を行う。
本稿では、まず属性値候補を生成し、次にそれらを属性のクラスタにグループ化する、原則化されたフレームワークを提案する。
我々のモデルは強いベースラインをはるかに上回り、目に見えない属性や製品タイプに一般化することができる。
論文 参考訳（メタデータ） (2022-04-29T04:16:04Z) - Personalized Entity Resolution with Dynamic Heterogeneous Knowledge
Graph Representations [40.37976161857134]
製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。
まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。
その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
論文 参考訳（メタデータ） (2021-04-06T16:58:27Z) - 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 [6.35283128582654]
価格と品質の異なる商品群を並べて展示するオンライン小売業者の収益問題を考察する。
消費者は注目範囲、すなわち、目視したい商品の最大数に注意を向け、製品を購入する前に順次検査したり、注意範囲が枯渇した時にプラットフォームを空っぽにしておく。
当社のフレームワークは、2つのカスケードでよく知られたモデルを拡張しています。
論文 参考訳（メタデータ） (2020-12-07T15:41:57Z) - A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。
本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
論文 参考訳（メタデータ） (2020-10-22T18:36:41Z) - Studying Product Competition Using Representation Learning [7.01269741110576]
本稿では、製品レベルの競争を研究するために、表現学習アルゴリズムWord2Vecに基づくProduct2Vecを紹介する。
提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保存した低次元の埋め込みを生成する。
現状のモデルと比較して、我々のアプローチはより高速であり、より正確な需要予測と価格弾力性が得られることを示す。
論文 参考訳（メタデータ） (2020-05-21T00:36:13Z)
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。