[논문 리뷰] Learning Preferences from Assortment Choices in a Heterogeneous Population

Nathan Kallus, Madeleine Udell|arXiv (Cornell University)|2015. 09. 17.

Economic and Environmental Valuation참고 문헌 32인용 수 4

한 줄 요약

이 논문은 핵노름 정규화된 최대우도 추정을 사용하여 암시적 조합 선택에서 이질적인 고객 선호도를 학습하기 위해 저차원 혼합 선택 모델을 제안한다. 이는 기존 방법보다 훨씬 적은 관측치로도 많은 고객-항목 조합에 걸친 선호도 학습을 가능하게 하여 온라인 리테일에서 효율적인 맞춤화를 실현한다.

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.

연구 동기 및 목표

• 직접 모든 고객을 탐색하는 것이 비현실적인 온라인 리테일 환경에서 다양성을 띤 고객 선호도를 학습하는 데 도전하는 것.
• 고객 또는 세그먼트별로 파arametric 선택 모델을 사용하면서도 이러한 모델들 사이의 저차원적 구조를 포착하는 것.
• 고객 선호도의 구조적 가정을 활용하여 정확한 선호도 추정을 위한 관측치 수를 줄이는 것.
• 기하급수적인 데이터 수집 비용을 유발하지 않으면서도 개인 맞춤형 조합 커스터마이제이션을 가능하게 하는 것.
• 확장 가능한 방법을 개발하여 효율적인 선호도 학습을 통해 수익 가능성 향상을 이끌어내는 것.

제안 방법

• 다양한 고객 또는 세그먼트를 각각 별도의 파arametric 선택 모델(예: 다항 로짓 모델)로 모델링한다.
• 각 개별 선택 모델의 매개변수들이 저차원 부분공간에 존재한다고 가정하여 구조적 정규화를 가능하게 한다.
• 관측된 조합 선택 자료로부터 전체 선호도 행렬을 추정하기 위해 핵노름 정규화된 최대우도 추정기를 사용한다.
• 선호도 매개변수 행렬의 저랭크 구조를 활용하여 표본 복잡도를 감소시킨다.
• 적합도와 저랭크 구조의 균형을 고려한 볼록 최적화 문제로 추정 문제를 공식화한다.
• 이론적 보증을 적용하여 필요한 관측치 수가 전체 고객-항목 공간이 아닌 저차원 구조에 따라 스케일링됨을 보여준다.

실험 결과

연구 질문

• RQ1 고객 선호도의 저차원적 구조를 활용하여 선호도 학습을 위한 관측치 수를 줄일 수 있는가?
• RQ2 고객 간 선호도가 다양할 경우, 파arametric 선택 모델의 혼합을 어떻게 효율적으로 추정할 수 있는가?
• RQ3 핵노름 정규화는 이질적인 선호도 모델링에서 추정 정확도와 표본 효율성에 어떤 영향을 미치는가?
• RQ4 이러한 접근법은 철저한 데이터 수집 없이도 온라인 리테일에서 효과적인 조합 커스터마이제이션을 가능하게 할 수 있는가?
• RQ5 이러한 구조적 가정 하에 이질적인 선호도 학습의 이론적 표본 복잡도는 어떻게 되는가?

주요 결과

• 제안된 방법은 고객-항목 조합의 수보다 훨씬 적은 관측치로도 정확한 선호도 추정을 달성한다.
• 핵노름 정규화된 최대우도 추정기는 고객 선호도의 저차원적 구조를 효과적으로 포착한다.
• 모델은 각 고객을 개별적으로 탐색할 필요 없이 이질적인 고객 세그먼트 간 효율적인 학습을 가능하게 한다.
• 이론적 결과는 표본 복잡도가 전체 조합 공간이 아닌 선호도 공간의 내재 차원에 따라 스케일링됨을 확인한다.
• 이 방법은 온라인 리테일에서 개인 맞춤형 조합 기획 및 수익 최적화를 위한 확장 가능한 기반을 제공한다.
• 이 방법은 선호도 학습에서 구조적 가정이 데이터 요구량을 극적으로 줄일 수 있음을 시사한다.