PASTA：悲观式品类优化
机器学习
2023-02-09 v1 最优化与控制
统计方法学
机器学习
摘要
我们考虑离线数据驱动设定下的一类品类优化问题。某企业不了解潜在的顾客选择模型，但拥有一个离线数据集，包含历史提供的品类集合、顾客选择及收益。目标是利用该离线数据集找出最优品类。由于品类优化的组合性质，离线数据集中很可能发生数据覆盖不足的问题。因此，设计可证明高效的离线学习算法成为一大挑战。为此，我们提出一种基于悲观原则设计的算法，称为悲观式品类优化（Pessimistic ASsortment opTimizAtion，简称PASTA），该算法在一般设定下仅需离线数据覆盖最优品类即可正确识别最优品类。具体地，我们在著名的多项logit模型下建立了离线品类优化问题的后悔界。我们还提出了一种高效的计算流程来求解我们的悲观式品类优化问题。数值研究证明了所提方法相对于现有基线方法的优越性。
引用
@article{arxiv.2302.03821,
title = {PASTA: Pessimistic Assortment Optimization},
author = {Juncheng Dong and Weibin Mo and Zhengling Qi and Cong Shi and Ethan X. Fang and Vahid Tarokh},
journal= {arXiv preprint arXiv:2302.03821},
year = {2023}
}