論文の概要: Demand Transfer Estimation at Scale via Restricted Logit Modeling
- arxiv url: http://arxiv.org/abs/2608.12680v1
- Date: Thu, 13 Aug 2026 00:37:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.354552
- Title: Demand Transfer Estimation at Scale via Restricted Logit Modeling
- Title（参考訳）: 限定ロジットモデリングによる大規模需要移動予測
- Abstract要約: 本研究では,様々なカテゴリーの大型アイテム宇宙におけるアイテム需要予測の効率性について検討する。
我々は、DT係数を推定するために、Demand Transfer (DT) 係数を使用する。
提案手法はDT係数を正確に推定し,需要予測の改善につながる。
- 参考スコア（独自算出の注目度）: 0.5404952212629655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Item demand forecasting is an integral component of store assortment optimization. Existing literature focuses on learning a suitable customer choice model and using this model to determine the value of an objective function (i.e. expected demand) with respect to an assortment proposal. However, for large item universe with many categories, this approach can prove inefficient, needing a separate demand forecast for every possible item assortment. An alternate approach exists whereby we combine the efficiency of forecasting item demand independently, while at the same time applying adjustments to the independent forecasts that account for the relations between item demand and the availability of other similar items on the shelf. Central to this approach is the estimation of Demand Transfer (DT) coefficients. These DT coefficients represent the percent of a particular target item's (item that the customer walked in the store to buy) demand that is redirected to each other item in the universe should the target item be removed from the shelf. We introduce an approach that allows us to compute these DT coefficients on large item universes (assortments having 1 million+ items). Experiments on data as well as historical transaction data for multiple locations within categories demonstrate that when certain reasonable assumptions about substitution behavior are satisfied, our procedure is able to accurately estimate underlying DT coefficients and lead to improvements in demand forecasting.
- Abstract（参考訳）: アイテム需要予測は、ストアアソシエーション最適化の不可欠なコンポーネントである。
既存の文献は、適切な顧客選択モデルを学び、このモデルを使用して、代替提案に関する目的関数(すなわち、期待された需要)の価値を決定することに焦点を当てている。
しかし、多くのカテゴリを持つ大きなアイテム宇宙では、このアプローチは非効率であることを証明し、可能なアイテムの配置ごとに別の需要予測を必要とする。
アイテム需要の予測効率を独立に組み合わせつつ、アイテム需要と他の類似アイテムの棚上利用率の関係を考慮に入れた独立予測に調整を適用するという別のアプローチが存在する。
このアプローチの中心は、需要移動係数(DT)の推定である。
これらのDT係数は、ターゲットアイテムが棚から取り除かれた場合、宇宙の互いのアイテムにリダイレクトされる特定のターゲットアイテム(顧客が購入するために店に足を踏み入れた金額)のパーセントを表す。
我々は、これらのDT係数を、大きなアイテム宇宙(100万以上のアイテムを持つもの)で計算できるアプローチを導入する。
カテゴリー内の複数箇所におけるデータおよび履歴トランザクションデータの実験により,置換行動に関する合理的な仮定が満たされた場合,提案手法はDT係数を正確に推定し,需要予測の改善につながることが示された。
関連論文リスト
- Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。
対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
論文 参考訳（メタデータ） (2026-03-03T03:34:06Z) - Learning Preference from Observed Rankings [0.0]
本稿では,部分的なランキング情報から個人の好みを学習するためのフレキシブルなフレームワークを開発する。
我々は、解釈可能な製品属性、アイテムの固定効果、低ランクのユーザ・イテム・ファクター構造の合計として潜在ユーティリティをモデル化する。
オンラインワイン小売業者からのデータを扱うアプリケーションでは、人気ベースのベンチマークと比較して、サンプル外の推薦性能を向上させる。
論文 参考訳（メタデータ） (2026-02-18T14:07:05Z) - Beyond Demand Estimation: Consumer Surplus Evaluation via Cumulative Propensity Weights [14.103811043596666]
本稿では,需要関数の明示的な推定と数値積分を回避する推定器を提案する。
我々は、この枠組みを不平等を意識した余剰措置に拡張し、規制当局や企業が利益と平等のトレードオフを定量化できるようにする。
論文 参考訳（メタデータ） (2026-01-03T01:41:40Z) - Taxonomy-based Negative Sampling In Personalized Semantic Search for E-commerce [46.251483528080236]
本稿では,クエリや商品を共有ベクトル空間に埋め込んだeコマース検索のセマンティック検索モデルを提案する。
顧客の過去の購買履歴と行動をモデル化し,ユーザレベルのパーソナライゼーションを取り入れた。
論文 参考訳（メタデータ） (2025-11-01T20:25:00Z) - CRM: Retrieval Model with Controllable Condition [23.936944737868465]
制御可能な検索モデルでは,レグレッション情報を条件付き特徴として2tower検索パラダイムに統合する。
我々は,現実世界のA/Bテストを通じてCRMの有効性を検証するとともに,クアイショーショートビデオレコメンデーションシステムにおけるCRM導入の成功例を示す。
論文 参考訳（メタデータ） (2024-12-18T13:37:36Z) - Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。
本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。
本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
論文 参考訳（メタデータ） (2024-06-01T00:52:41Z) - Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T17:44:56Z) - Combinatorial Inference on the Optimal Assortment in Multinomial Logit
Models [14.689897325621672]
意思決定者は、与えられたプロパティが最適のアソシエーションに対して真であるかどうかをテストすることのみに関心を持つかもしれない。
本稿では,そのような特性をテストするための新しい推論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-28T17:09:50Z) - Modeling Sequences as Distributions with Uncertainty for Sequential
Recommendation [63.77513071533095]
既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。
項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。
本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
論文 参考訳（メタデータ） (2021-06-11T04:35:21Z) - Universal Off-Policy Evaluation [64.02853483874334]
ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す
我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
論文 参考訳（メタデータ） (2021-04-26T18:54:31Z) - Learning over no-Preferred and Preferred Sequence of items for Robust
Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。
本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文 参考訳（メタデータ） (2020-12-12T22:10:15Z) - Adversarial learning for product recommendation [0.0]
本研究は, 共同分布(ビュー, 購入)行動からサンプルを生成することを学習する条件付き, 結合型生成対向ネットワーク(RecommenderGAN)を提案する。
しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。
論文 参考訳（メタデータ） (2020-07-07T23:35:36Z)
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。