结构化动态定价:全局收缩模型下的最优后悔界
机器学习
2023-10-17 v2 数据结构与算法
摘要
我们考虑流式纵向数据设定下的动态定价策略,其目标是在一段时间内最大化跨大量客户分段的累计利润。我们考虑一个动态模型,其中消费者偏好与价格敏感度随时间变化。基于广为人知的发现——具有相似特征的消费者行为相似,我们考虑一种全局收缩结构,其假设不同分段中消费者的偏好可由空间自回归(SAR)模型很好地近似。在此流式纵向设定下,我们通过后悔(regret)来衡量动态定价策略的性能,即与提前知晓模型参数序列的clairvoyant相比的期望收益损失。我们提出一种基于惩罚随机梯度下降(PSGD)的定价策略,并明确刻画了其后悔界作为时间、模型参数时间变异性以及跨越各客户分段的自相关网络结构强度的函数。我们的后悔分析不仅证明了所提策略的渐近最优性,还表明在策略规划中纳入可用结构信息至关重要,因为基于未收缩模型的策略在上述设定下高度次优。我们在广泛机制下进行了仿真实验,并基于真实网络展开研究,所提方法表现令人鼓舞。
引用
@article{arxiv.2303.15652,
title = {Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model},
author = {Rashmi Ranjan Bhuyan and Adel Javanmard and Sungchul Kim and Gourab Mukherjee and Ryan A. Rossi and Tong Yu and Handong Zhao},
journal= {arXiv preprint arXiv:2303.15652},
year = {2023}
}
备注
43 pages, 10 figures