[論文レビュー] Assortment Optimization under Unknown MultiNomial Logit Choice Models

Wang Chi Cheung, David Simchi‐Levi|arXiv (Cornell University)|Apr 1, 2017

Advanced Bandit Algorithms Research参考文献 10被引用数 8

ひとこと要約

この論文は、資源制約のもとで未知の Multinomial Logit (MNL) 選好モデルに対するオンラインアソートメント最適化ポリシーを提案し、選好確率の信頼区間を活用して非線形なレグレットを達成する。効率的なポリシーは $\tilde{O}(T^{2/3})$ のレグレットを達成し、UCBに基づくポリシーは $\tilde{O}(T^{1/2})$ のレグレットを達成する。両者とも、MNLの構造を活用することで、アソートメント数に対して非線形なレグレットを達成する。

ABSTRACT

Motivated by e-commerce, we study the online assortment optimization problem. The seller offers an assortment, i.e. a subset of products, to each arriving customer, who then purchases one or no product from her offered assortment. A customer's purchase decision is governed by the underlying MultiNomial Logit (MNL) choice model. The seller aims to maximize the total revenue in a finite sales horizon, subject to resource constraints and uncertainty in the MNL choice model. We first propose an efficient online policy which incurs a regret $ ilde{O}(T^{2/3})$, where $T$ is the number of customers in the sales horizon. Then, we propose a UCB policy that achieves a regret $ ilde{O}(T^{1/2})$. Both regret bounds are sublinear in the number of assortments.

研究の動機と目的

• 基礎となる MNL 選好モデルが未知であり、資源制約によって製品の入手可能性が制限される状況におけるオンラインアソートメント最適化を扱う。
• 売り手の収益と完全なモデル知識を持つオракルの収益との差であるレグレットを、不確実性と有限な資源予算のもとで最小化する。
• 有限な販売期間内で MNL モデルを学習しつつ収益を最大化する計算効率の良いポリシーを開発する。
• MNL モデルの構造的性質を活用することで、可能なアソートメント数に対して非線形なレグレット境界を達成する。

提案手法

• 長さ $\tau$ の学習フェーズを有するオンラインポリシー { t Online}($\tau$) を提案し、未知の MNL モデルにおける探索と活用のバランスをとる。
• 集中不等式を用いて、すべてのアソートメントについて選好確率の信頼区間を確立し、不確実性下でのロバストな学習を可能にする。
• MNL パラメータの上側信頼区間を用いてアソートメント選択をガイドし、レグレットを低減するUCBベースのポリシーを導入する。
• 資源制約下での妥当性を保証するため、線形計画法の緩和（UCB-LP）を用いてポリシー意思決定を支援する。
• アズマ＝ホーディングおよびその他のマルティングルの集中不等式を用いて、推定誤差および資源消費の乖離をバインドする。
• 資源消費を推定誤差、モデル誤差、ポリシー誤差の3つの項に分解し、全資源使用量の有界性を証明する。

実験結果

リサーチクエスチョン

• RQ1 MNL 選好モデルが未知であり、資源制約が存在する状況でも、オンラインアソートメント最適化を効率的に行うことができるか？
• RQ2 この設定で達成可能なレグレット境界は何か？ また、それらは可能なアソートメント数に対して非線形にできるか？
• RQ3 資源制約下での効率的学習を可能にするために、アソートメントレベルの選好確率に対する信頼区間をどのように構築できるか？
• RQ4 MNL モデルの特別な構造を活用することで、個々のアソートメントを個別に学習する必要を回避できるか？

主な発見

• 提案された { t Online}($\tau$) ポリシーは、$\tilde{O}(T^{2/3})$ のレグレット境界を達成し、顧客数 $T$ に対して非線形である。
• UCBベースのポリシーは、$\tilde{O}(\sqrt{T})$ のレグレット境界を達成し、資源制約が存在する状況で先行研究を上回る。
• 両方のレグレット境界は、アソートメント数に対して非線形である。これに対して、従来の手法はアソートメント数に対して線形なレグレットを被る。
• 本手法は、資源制約下での学習に不可欠な、アソートメント選好確率に対する新しい信頼区間を確立した。
• 資源消費が高確率で有界であることが証明され、販売期間全体にわたり妥当性が保証される。
• 分析から、MNL モデルの構造を活用することで、一般のバンディットや組合せバンディット手法と比較して顕著なレグレット低減が可能であることが示された。