优惠券分配中的即时收入与未来置偏评估的平衡
机器学习
2024-09-10 v3 人工智能
摘要
优惠券分配驱动客户购买，提升收入。然而，这构成了一种根本性的权衡：即利用当前最优策略以最大化即时收入，又探索替代策略以收集数据，用于通过置偏评估（Off-Policy Evaluation, OPE）改进未来政策。为平衡这一权衡，我们提出了一种新方法，将基于模型的收入最大化政策与随机化探索政策结合用于数据收集。我们的框架使可以灵活调整这两种政策之间的混合比例，以优化短期收入与未来政策改进之间的平衡。我们将确定最优混合比例的问题建模为多目标优化问题，实现对这一权衡的量化评估。我们使用合成数据经验验证了所提出混合政策的有效性。我们的主要贡献包括：(1) 显示结合确定性政策和概率政策的混合政策，可灵活调整数据收集与收入之间的权衡；(2) 将最优混合比例问题建模为多目标优化，实现对这一权衡的量化评估。
引用
@article{arxiv.2407.11039,
title = {Balancing Immediate Revenue and Future Off-Policy Evaluation in Coupon Allocation},
author = {Naoki Nishimura and Ken Kobayashi and Kazuhide Nakata},
journal= {arXiv preprint arXiv:2407.11039},
year = {2024}
}