基于深度聚类的理性疏忽效用函数估计及其在YouTube参与动态中的框架应用
机器学习
2018-12-27 v1 人机交互
机器学习
摘要
我们考虑一个涉及行为经济学与机器学习的框架。理性疏忽贝叶斯智能体基于其后验分布、效用函数与信息获取成本（推广香农互信息的Renyi散度）做出决策。通过观察这些决策，观察者如何估计效用函数与信息获取成本？利用深度学习，我们估计决定智能体注意力策略的框架信息（关键外在特征）。随后我们提出一种基于偏好的逆强化学习算法以检验理性疏忽：该智能体是否为效用最大化者、注意力最大化者，且是否存在一个信息成本函数使数据合理化？该检验施加了Renyi互信息约束，其影响智能体如何选择注意力策略以最大化其期望效用。检验给出了智能体效用函数与信息获取成本的构造性估计。我们在一个大规模YouTube数据集上说明了这些方法，以刻画用户的评论行为。
引用
@article{arxiv.1812.09640,
title = {Estimating Rationally Inattentive Utility Functions with Deep Clustering for Framing - Applications in YouTube Engagement Dynamics},
author = {William Hoiles and Vikram Krishnamurthy},
journal= {arXiv preprint arXiv:1812.09640},
year = {2018}
}