用于公平动态定价的强化学习
机器学习
2018-03-28 v1 人工智能
机器学习
摘要
不公平的定价策略已被证明是客户对定价所能产生的最负面看法之一，并可能导致公司的长期损失。尽管动态定价模型有助于公司实现收入最大化，但应考虑到公平性与平等性，以避免不同客户群体之间出现不公平的价格差异。本文展示了如何使用强化学习 (RL) 技术来解决动态定价问题，从而在实现价格最大化的同时，保持收入与公平性之间的平衡。我们证明 RL 为支持动态定价中的公平性提供了两个主要特征：一方面，RL 能够从近期经验中学习，使定价策略适应复杂的市场环境；另一方面，它在短期与长期目标之间提供了折衷，从而将公平性整合到模型的核心中。考虑到这两个特征，我们提出将 RL 应用于收入优化，并通过使用 Jain 指数作为度量，将公平性作为学习过程的一部分进行额外整合。在模拟环境中的结果表明，公平性得到了显著改善，同时维持了收入的优化。
引用
@article{arxiv.1803.09967,
title = {Reinforcement Learning for Fair Dynamic Pricing},
author = {Roberto Maestre and Juan Duque and Alberto Rubio and Juan Arévalo},
journal= {arXiv preprint arXiv:1803.09967},
year = {2018}
}