有序捆绑包中的序列选择
机器学习
2024-10-30 v1 人工智能
计算与语言
机器学习
摘要
体育和艺术赛事、歌曲、视频、新闻报道、播客和电视剧等体验品通常以捆绑包的形式打包和消费。许多此类捆绑包是有序的，即单个项目被依次逐个消费。我们研究个体在有序捆绑包中消费下一个项目的决策是否可以根据其对前序项目的消费模式进行预测。我们评估了多个预测模型，包括两个分别使用 decoder-only 和 encoder-decoder 架构的定制 Transformer、微调的 GPT-3、一个定制 LSTM 模型、一个强化学习模型、两个马尔可夫模型以及一个零阶模型。使用 Spotify 的数据，我们发现采用 decoder-only 架构的定制 Transformer 在个体选择和总需求方面均提供了最准确的预测。该模型捕捉了状态依赖的一般形式。对 Transformer 注意力权重的分析表明，捆绑包中下一个项目的消费基于对所有前序选择的大致相等的权重。我们的结果表明，Transformer 可以协助排列个体可能从有序捆绑包中消费的下一个项目，预测对单个项目的需求，并个性化促销以增加需求。
引用
@article{arxiv.2410.21670,
title = {Sequential choice in ordered bundles},
author = {Rajeev Kohli and Kriste Krstovski and Hengyu Kuang and Hengxu Lin},
journal= {arXiv preprint arXiv:2410.21670},
year = {2024}
}