[論文レビュー] Learning Preferences from Assortment Choices in a Heterogeneous Population

Nathan Kallus, Madeleine Udell|arXiv (Cornell University)|Sep 17, 2015

Economic and Environmental Valuation参考文献 32被引用数 4

ひとこと要約

本稿では、核ノルム正則化付き最尤推定を用いて、アソート選択から多様な顧客の好みを学ぶ低次元混合選択モデルを提案する。従来の手法と比較して、多くの顧客-商品組み合わせにおける好み学習に必要な観測数を大幅に削減できることを示しており、オンライン小売における効率的なカスタマイズを可能にする。

ABSTRACT

We consider the problem of learning the preferences of a heterogeneous customer population by observing their choices from an assortment of products, ads, or other offerings. Our observation model takes a form common in assortment planning: each arriving customer chooses from an assortment of offerings consisting of a subset of all possibilities. One-size-fits-all choice modeling can fit heterogeneous populations quite poorly, and misses the opportunity for assortment customization in online retail. On the other hand, time, revenue, and inventory targets rule out exploring the preferences of every customer or segment. In this paper we propose a mixture choice model with a natural underlying low-dimensional structure, and show how to estimate its parameters. In our model, the preferences of each customer or segment follow a separate parametric choice model, but the underlying structure of these parameters over all the models has low dimension. We show that a nuclear-norm regularized maximum likelihood estimator can learn the preferences of all customers using a number of observations much smaller than the number of item-customer combinations. This result shows the potential for structural assumptions to speed up learning and improve revenues in assortment planning and customization.

研究の動機と目的

• 直接的にすべての顧客を調査することが現実的でないオンライン小売環境において、多様な顧客の好みを学ぶ課題に対処すること。
• 各顧客またはセグメントごとにパラメトリック選択モデルをモデル化するとともに、それらのモデル間の低次元構造を捉えること。
• 顧客の好みに内在する構造的仮定を活用することで、正確な好み推定に必要な観測数を削減すること。
• 膨大なデータ収集コストを伴わずに、パーソナライズドアソートカスタマイズを可能にすること。
• スケーラブルな手法を開発し、効率的な好み学習によって収益の可能性を高めること。

提案手法

• 各顧客またはセグメントを、多項ロジスティック回帰モデルなどの個別のパラメトリック選択モデルでモデル化する。
• 個々の選択モデルのパラメータが低次元部分空間に位置すると仮定し、構造的正則化を可能にする。
• 観測されたアソート選択から、全好み行列を核ノルム正則化付き最尤推定器を用いて推定する。
• 好みパラメータ行列の低ランク構造を活用して、標本複雑度を低減する。
• 適合度と低ランク構造のバランスをとる凸最適化問題として推定問題を定式化する。
• 理論的保証を適用し、必要な観測数が全顧客-商品空間ではなく、低次元構造に比例することを示す。

実験結果

リサーチクエスチョン

• RQ1 顧客の好みに低次元構造が存在する場合、その特徴を活用することで、好み学習に必要な観測数を削減できるか？
• RQ2 顧客間で好みが異なる場合に、パラメトリック選択モデルの混合を効率的に推定する方法は何か？
• RQ3 核ノルム正則化は、多様な好みのモデリングにおいて、推定精度と標本効率をどの程度向上させるか？
• RQ4 本手法は、徹底的なデータ収集を伴わずに、オンライン小売における効果的なアソートカスタマイズを可能にするか？
• RQ5 本構造的仮定のもとで、多様な好みを学ぶ際の理論的標本複雑度は何か？

主な発見

• 提案手法は、顧客-商品組み合わせの数よりもはるかに少ない観測数で、正確な好み推定を達成する。
• 核ノルム正則化付き最尤推定器は、顧客の好みにおける低次元構造を効果的に捉えている。
• 個々の顧客を個別に調査する必要がなく、多様な顧客セグメント全体で効率的な学習が可能である。
• 理論的結果により、標本複雑度が好み空間の組み合わせ的次元ではなく、内因的次元に比例することが確認された。
• 本手法は、オンライン小売におけるパーソナライズドアソートプランニングと収益最適化のスケーラブルな基盤を提供する。
• 構造的仮定を活用することで、好み学習におけるデータ要件を劇的に削減できる可能性が示された。