[논문 리뷰] Semi-parametric dynamic contextual pricing

Virag Shah, José Blanchet외 1명|arXiv (Cornell University)|2019. 01. 07.

Advanced Bandit Algorithms Research참고 문헌 26인용 수 7

한 줄 요약

이 논문은 이산적인 이진 피드백(구매/비구매)으로부터 파arametric 회귀 계수와 비모수 잔차 분포를 동시에 학습하는 반모수적 동적 연계 가격 설정 알고리즘을 제안한다. 적응형 가격 집합을 갖는 암호화 제거 프레임워크를 통해 무료 탐색을 활용함으로써, 고차원의 고객 및 제품 연계 정보를 가진 실시간 전자상거래 환경에서 확장 가능하고 효율적인 수익 극대화를 달성하며, $\frac{1}{2}}$의 최적의 손실을 달성한다.

ABSTRACT

Motivated by the application of real-time pricing in e-commerce platforms, we consider the problem of revenue-maximization in a setting where the seller can leverage contextual information describing the customer's history and the product's type to predict her valuation of the product. However, her true valuation is unobservable to the seller, only binary outcome in the form of success-failure of a transaction is observed. Unlike in usual contextual bandit settings, the optimal price/arm given a covariate in our setting is sensitive to the detailed characteristics of the residual uncertainty distribution. We develop a semi-parametric model in which the residual distribution is non-parametric and provide the first algorithm which learns both regression parameters and residual distribution with $ ilde O(\sqrt{n})$ regret. We empirically test a scalable implementation of our algorithm and observe good performance.

연구 동기 및 목표

• 이진 거래 피드백(성공/실패)만 관찰 가능한 전자상거래 플랫폼에서 수익 극대화 동적 가격 설정의 과제를 해결한다.
• 예상 로그 평가값에 대한 선형 모델을 사용해 고객 및 제품 연계 정보와 평가값 간의 관계를 모델링하면서도 잔차 불확실성은 비모수적 방식으로 처리한다.
• 감시된 피드백 하에서 파라미터 계수와 비모수 오차 분포를 동시에 학습하는 알고리즘을 개발한다.
• 설명 변수 차원과 부드러움 파라미터에 대해 다항적 의존성을 가지며, $\tfrac{1}{2}}$의 최적 손실 스케일링을 달성한다.
• 실제 온라인 플랫폼에 구현 가능한 실용적 구현을 위해 볼록 최적화 기반 반모수적 회귀를 사용한다.

제안 방법

• 설명 변수의 선형 함수로 예상 로그 평가값을 모델링하여, 비음수 평가값을 보장하고 효율적인 추정을 가능하게 한다.
• 예측된 값과 실제 로그 평가값 간의 잔차 오차 분포를 비모수적 방식으로 처리하여, 잡음에 대한 파라미터 가정을 최소화한다.
• 현재 설명 변수 벡터에 따라 달라지는 시간에 따라 변화하는 활성 가격 집합을 갖는 암호화 제거 접근법을 사용하여, 여러 가격 선택지에 대한 무료 탐색을 가능하게 한다.
• 활동 집합에서 균일하게 가격을 무작위 선택하는 정책을 구현하여, 충분한 탐색을 확보하면서도 손실 보장을 유지한다.
• 볼록 최적화 기법을 활용해 파라미터 성분과 비모수 오차 분포를 확장 가능하게 추정한다.
• 잔차 분포에 대한 최소한의 가정 하에서, 농도 부등식과 체적 한계 기반 이론적 분석을 통해 손실 한계를 유도한다.

실험 결과

연구 질문

• RQ1 이진 피드백만 존재하고 잔차 오차 분포가 비모수적일 때, 최적의 손실을 달성할 수 있는가?
• RQ2 감시된 피드백이 있는 연계 밴디트 환경에서 무료 탐색은 어떻게 활용되어 손실을 감소시킬 수 있는가?
• RQ3 제한된 피드백 하에서 파라미터 모델 학습과 비모수 오차 분포 추정 간의 최적의 트레이드오프는 무엇인가?
• RQ4 실시간 전자상거래 응용에 실용적이면서도 $\tfrac{1}{2}}$의 손실을 유지하는 확장 가능한 알고리즘을 설계할 수 있는가?
• RQ5 비모수적 잡음이 존재할 경우 부드러움 파라미터 $\tfrac{1}{2}}$는 손실 스케일링에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 시간 범위 $n$에 대해 $\tfrac{1}{2}}$의 손실을 달성하며, 이는 이 클래스 문제의 하한선과 일치하는 최적의 결과이다.
• 손실은 설명 변수 차원 $d$와 부드러움 파라미터 $\tfrac{1}{2}}$에 대해 다항식적으로 스케일링되며, 고차원적 맥락에 대한 강건성을 보여준다.
• 알고리즘은 한 번의 가격 테스트로 다수의 잠재적 가격 선택지를 동시에 탐색할 수 있는 무료 탐색을 활용하여 학습 효율성을 향상시킨다.
• 볼록 최적화 기반의 확장 가능한 구현은 실험적으로 검증되었으며, 시뮬레이션 데이터에서 뛰어난 성능을 보였다.
• 이론적 분석은 잔차 분포에 대한 최소한의 가정 하에서도 손실 한계가 유지됨을 확인하였으며, 오차 및 설명 변수 분포에 대해 약간의 규칙성 조건만 요구된다.
• 대칭적인 설명 변수와 서브가우시안 꼬리 지닌 지원에 대한 확장은 동일한 손실 스케일링을 유지할 것으로 추측되며, i.i.d. 가정을 초월한 강건성을 시사한다.