[论文解读] Assortment Optimization Under General Choice
本文提出了一种通用的、非参数的静态组合优化算法，仅需一个收益预测子程序，因此可适用于任何选择模型而无需依赖参数假设。该算法采用基于贪心交换的策略，在多项对数（MNL）模型下可证明找到最优组合，并对收益估计误差具有鲁棒性。
We consider the problem of static assortment optimization, where the goal is to find the assortment of size at most $C$ that maximizes revenues. This is a fundamental decision problem in the area of Operations Management. It has been shown that this problem is provably hard for most of the important families of parametric of choice models, except the multinomial logit (MNL) model. In addition, most of the approximation schemes proposed in the literature are tailored to a specific parametric structure. We deviate from this and propose a general algorithm to find the optimal assortment assuming access to only a subroutine that gives revenue predictions; this means that the algorithm can be applied with any choice model. We prove that when the underlying choice model is the MNL model, our algorithm can find the optimal assortment efficiently.
研究动机与目标
- 设计一种适用于静态组合选择的通用优化算法，且不依赖于选择模型的具体参数结构。
- 在实现近似最优或精确解的同时，最小化收益子程序的调用次数。
- 确保当收益预测存在噪声或近似时，算法仍保持有效性。
- 提供一个统一的框架，可适用于多种选择模型，包括MNL、probit和混合模型，突破现有特定模型算法的局限。
- 证明该算法在多项对数（MNL）模型下，以有界次数的调用即可实现精确最优。
提出的方法
- 该算法采用贪心交换策略，通过迭代地添加或替换能提升预测收益的产品来逐步改进当前组合。
- 它维护一个当前组合，并探索当前集合内与集合外产品之间的交换，以寻找能提升收益的改进操作。
- 该方法使用一个子程序，为任意给定组合提供收益预测，从而抽象出底层选择模型的细节。
- 一个关键组件是基于估计收益差异和误差界设计的阈值停止条件。
- 当底层选择模型为MNL模型时，该算法被证明可收敛至最优组合。
- 它利用一个结构引理，表明若算法提前终止，则必存在更优组合，除非已达到最优，否则将导致矛盾。
实验结果
研究问题
- RQ1能否设计一种与选择模型具体参数形式无关的通用组合选择优化算法？
- RQ2如何在保持最优性或近似最优性的同时，最小化收益子程序的调用次数？
- RQ3是否可能设计一种贪心算法，在最优组合中缺乏嵌套结构的MNL模型下仍能保持最优？
- RQ4当真实选择模型为MNL时，该算法对收益预测误差的鲁棒性如何？
- RQ5该算法能否应用于非参数或复杂的选择模型，如probit模型或连续MNL混合模型？
主要发现
- 当底层选择模型为多项对数（MNL）模型时，所提算法可找到精确最优组合。
- 该算法仅需一个收益预测子程序，且不依赖于选择模型的参数假设。
- 只要底层模型为MNL，该算法对收益子程序中的估计误差具有可证明的鲁棒性。
- 该算法采用贪心交换机制，避免了朴素贪心方法的缺陷，后者在MNL模型下因最优组合缺乏嵌套结构而失效。
- 收益子程序的调用次数有界且高效，与穷举搜索相比显著降低了计算成本。
- 该算法可推广至MNL模型之外，只要存在可靠的收益预测子程序，即可适用于任何选择模型。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。