PCMC-Net：基于特征的成对选择马尔可夫链
机器学习
2020-02-03 v2 机器学习
摘要
成对选择马尔可夫链(PCMC)近来被提出，以克服基于传统公理的选择模型的局限，这些传统模型无法表达现代行为经济学中的经验观测，例如当在两个选项间的选择被加入的第三替代项改变时出现的情境效应。通过最大似然估计每对可能替代项间转移速率的推断方法，在各替代项样本稀少时表现不佳，且当测试时观察到新替代项时不适用。在本工作中，我们提出一种PCMC的摊销推断方法，将其定义嵌入一个神经网络，该网络将转移速率表示为替代项与个体特征的函数。我们将所提构造应用于航空行程预订的复杂情形，其中单例常见（由于变动的价格与个体特定行程），且观察到情境效应与行为强烈依赖于细分市场。实验表明，我们的网络在预测准确率与对数损失上显著优于特征工程的标准与潜类多项Logit模型以及近期的机器学习方法。
引用
@article{arxiv.1909.11553,
title = {PCMC-Net: Feature-based Pairwise Choice Markov Chains},
author = {Alix Lhéritier},
journal= {arXiv preprint arXiv:1909.11553},
year = {2020}
}
备注
Final version to be published in ICLR 2020