[논문 리뷰] Learning Preference from Observed Rankings

Yu‐Chang Chen, Chen Chian Fuh외 1명|arXiv (Cornell University)|2026. 02. 18.

Consumer Market Behavior and Pricing인용 수 0

한 줄 요약

이 논문은 잠재 효용과 특성 효과 및 저랭크 인자를 사용해 부분 순위에서 개별 소비자 선호를 학습하는 확장 가능한 프레임워크를 제시하고, 역확률 가중치(IPW)로 노출 편향을 보정하며 대규모의 불완전한 순위 데이터에 대해 SGD를 적용합니다.

ABSTRACT

Estimating consumer preferences is central to many problems in economics and marketing. This paper develops a flexible framework for learning individual preferences from partial ranking information by interpreting observed rankings as collections of pairwise comparisons with logistic choice probabilities. We model latent utility as the sum of interpretable product attributes, item fixed effects, and a low-rank user-item factor structure, enabling both interpretability and information sharing across consumers and items. We further correct for selection in which comparisons are observed: a comparison is recorded only if both items enter the consumer's consideration set, inducing exposure bias toward frequently encountered items. We model pair observability as the product of item-level observability propensities and estimate these propensities with a logistic model for the marginal probability that an item is observable. Preference parameters are then estimated by maximizing an inverse-probability-weighted (IPW), ridge-regularized log-likelihood that reweights observed comparisons toward a target comparison population. To scale computation, we propose a stochastic gradient descent (SGD) algorithm based on inverse-probability resampling, which draws comparisons in proportion to their IPW weights. In an application to transaction data from an online wine retailer, the method improves out-of-sample recommendation performance relative to a popularity-based benchmark, with particularly strong gains in predicting purchases of previously unconsumed products.

연구 동기 및 목표

• 불완전한 순위 데이터에서 random-utility 기초를 사용해 개별 수준의 선호를 추정한다.
• 해석 가능한 제품 속성 및 잠재 요인을 도입해 이질성을 포착한다.
• 관찰 가능성의 선택 편향(노출 편향)을 역확률 가중(IPW)으로 보정한다.
• 대규모 희소 순위 데이터에 대해 확장 가능한 추정 방법(IPW와 SGD)을 제공한다.
• 온라인 와인 구매에의 응용을 시연하고 예측 성능을 평가한다.

제안 방법

• 잠재 유틸리티를 u_{ij}=x_j^{⊤}β_i+α_j+λ_i^{⊤}f_j+ε_{ij}로 모델링하고 ε_{ij} ~ Type-I EVT로 가정한다.
• 관찰된 순위를 P(j ≽ j') = σ(u_{ij}-u_{ij'}) 하에 로지스틱 선택으로 두 항목 간 쌍대 비교로 해석한다.
• 노출 관찰의 선택 편향 보정을 위해 가중치 1/π_{jj'}를 도입하고 π_j = σ(x_j^{⊤}ψ), π_{jj'}=π_j π_{j'}로 정의한다.
• 관찰 지시 O_{ijj'}에 대한 최대우도 추정으로 ψ를 추정하고 그 값을 ϕ에 대입한다.
• 정규화된(IPW) 페널티 OBJECTIVE: ∑_{(i,j,j')∈D} (1/π_{jj'}) ln σ(u_{ij}-u_{ij'}) - κ||θ||_2^2를 최대화한다.
• 대규모 데이터에 대해 체계적 샘플링을 통해 비교를 선택하기 위해 SGD에서 역확률 재샘플링을 사용하고 표준 로그 가능도 기울기에서 릿지 항을 뺀 값을 업데이트한다.
• π_{jj'}를 사전 계산하고 별칭 표(alias table)를 사용해 확장 가능한 최적화를 위한 비교 샘플링을 효율적으로 수행한다.

실험 결과

연구 질문

• RQ1 부분 순위 데이터에서 개별 특정 선호를 어떻게 회복할 수 있는가?
• RQ2 잠재 인자 구조와 관찰 가능한 속성이 이질성을 포착하고 관찰되지 않은 아이템 간의 비교까지 외삽할 수 있는가?
• RQ3 노출/관찰 가능성 편향이 선호 추정에 어떤 영향을 미치며, 순위 데이터에서 IPW가 이를 보정할 수 있는가?
• RQ4 제안된 IPW-정규화된 SGD 기반 추정이 크고 희소한 순위 데이터에 대해 확장 가능한가?
• RQ5 특히 이전에 소비되지 않은 아이템에 대해 외삽 예측 정확도를 향상시키는가?

주요 결과

• 모델은 와인 소비자 사이에서 지역별 선호의 이질성을 상당히 발견하며, 보르도(Bordeaux)와 부르고뉴(Burgundy)와 같은 명성 높은 지역에서 오른쪽으로 왜곡되고 종종 이모드인 분포를 보인다.
• 잠재 요인 구조는 소비자와 아이템 간 정보 공유를 가능하게 하여 관찰되지 않은 비교에 대한 추론을 돕는다.
• IPW를 통한 관찰 가능성의 선택 보정은 노출로 인한 편향을 줄이고 보류된 데이터에 대한 예측 성능을 향상시킨다.
• SGD 기반의 추정은 IPW 가중치를 활용해 대규모의 희소한 순위 데이터에 확장 가능하며 순위에 암시된 쌍대 비교를 효율적으로 이용한다.
• 온라인 와인 거래에의 적용은 특히 이전에 소비되지 않은 제품의 구매에 대해 외삽 추천의 향상을 보여준다.