面向个人数据市场的带保留价格约束的在线定价

社会对个人数据贪得无厌的需求正推动数据市场的兴起，使数据消费者能够对数据经纪人从数据所有者处收集的数据集发起定制化查询。本文研究数据经纪人如何通过为顺序查询发布合理价格来最大化其累积收益。我们因而提出一种带保留价格约束的上下文动态定价机制，其具有椭球特征以实现高效在线优化，并可支持带不确定性的线性和非线性市场价值模型。特别地，在低不确定性下，我们的定价机制给出了关于查询数量的对数级最坏情况遗憾（regret）。我们进一步拓展至其他类似应用场景，包括住宿服务、在线广告和贷款申请，并分别在 MovieLens 20M 数据集、美国主要城市的 Airbnb 房源列表和 Avazu 移动广告点击数据集上广泛评估了噪声线性查询、住宿租赁和广告展示三种定价实例。分析与评估结果表明，我们所提定价机制具有较低的实际遗憾、在线延迟和内存开销，并证明保留价格的存在可缓解发布价格机制中的冷启动问题，从而降低累积遗憾。