[論文レビュー] SHOPPER: A Probabilistic Model of Consumer Choice with Substitutes and Complements

Francisco J. R. Ruiz, Susan Athey+1 more|arXiv (Cornell University)|Nov 9, 2017

Consumer Market Behavior and Pricing被引用数 5

ひとこと要約

SHOPPER は、学習された隠れアイテム属性と顧客の好みを介して製品間の代替性と補完性をモデル化することにより、消費者の選択行動のダイナミクスを順序付き確率モデルとして捉えるものである。このモデルは、価格干渉下での購買行動の正確な予測を可能にするとともに、大規模な雑貨購買データ上で効率的な変分推論を用いて補完的・代替的製品ペアを同定する。

ABSTRACT

We develop SHOPPER, a sequential probabilistic model of shopping data. SHOPPER uses interpretable components to model the forces that drive how a customer chooses products; in particular, we designed SHOPPER to capture how items interact with other items. We develop an efficient posterior inference algorithm to estimate these forces from large-scale data, and we analyze a large dataset from a major chain grocery store. We are interested in answering counterfactual queries about changes in prices. We found that SHOPPER provides accurate predictions even under price interventions, and that it helps identify complementary and substitutable pairs of products.

研究の動機と目的

• 買い物かご内の製品間の複雑な相互作用を捉えるスケーラブルで解釈可能な消費者選択モデルの開発。
• 大規模な取引データから、好みや価格感受性、季節的要因といった観測されない消費者行動の駆動要因を推定すること。
• 価格干渉下での需要変化の正確な反事後的予測を可能にすること。
• 観測された購入パターンに基づいて、補完的・代替的製品ペアを同定すること。
• 順序なしで高基数の買い物かごを大規模に処理できる効率的な推論アルゴリズムの設計。

提案手法

• SHOPPER は、顧客の好みとかごレベルの隠れ表現に条件付けられた対数線形確率モデルを用いて、買い物かご内の順序付きアイテム選択をモデル化する。
• 各アイテムは、隠れ属性ベクトル $\alpha_c$ と相互作用係数 $\rho_c$ に関連付けられ、これらはアイテムが他のアイテムと買い物かご内で共起する仕組みを捉える。
• 顧客の好み $\theta_u$ は、特定のアイテムタイプに対する個々の購入傾向を反映する隠れベクトルとしてモデル化される。
• モデルは、選択確率関数に観測された共変量としての価格および季節的要因を組み込む。
• すべての買い物かご順序の和が計算不能であることを補うために、部分サンプリングされた順列とアイテムを用いて不偏な変分下界（ELBO）が導出される。
• 最適化のための勾配を効率的に計算するために、アルゴリズム2によりかご、順列、候補アイテムを部分サンプリングする確率的勾配推定が用いられる。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、補完性と代替性を含む、消費者の買い物かご内での製品間の複雑な相互依存関係をモデル化できるか？
• RQ2 確率的モデルは、反事後的価格変更下での消費者選択をどの程度正確に予測できるか？
• RQ3 大規模で順序なしの買い物データから、隠れ属性と顧客の好みを効果的に学習できるか？
• RQ4 価格と季節的要因は、順序付き選択フレームワークにおいてアイテム選択確率にどのように影響するか？
• RQ5 どのような種類の製品ペアが補完的または代替的である可能性が高く、それらはデータから信頼性高く同定できるか？

主な発見

• SHOPPER は、価格干渉下でも消費者選択の正確な予測を提供し、反事後的状況への強い一般化性能を示している。
• モデルは、データ内の隠れ相互作用パターンに基づいて意味のある補完的・代替的製品ペアを効果的に同定している。
• 部分サンプリングされた順列とアイテムの使用により、高次元のアイテム空間を持つ大規模な雑貨データセットにおける効率的かつスケーラブルな推論が可能になった。
• 隠れ属性 $\alpha_c$ と顧客の好み $\theta_u$ は、ベビー用品やドッグフードへの好みといった解釈可能なパターンを捉えている。
• 部分サンプリングされた順列とアイテムによる不偏勾配推定を用いた変分下界のおかげで、すべての可能な買い物かご順序の和が計算不能であるという問題に対しても、モデルの性能は頑健である。
• 確率的最適化に基づく推論手順は、数千人の顧客と数万のアイテムを含むデータセットに対しても、効果的にスケーリングできる。