[论文解读] Low-Rank Bandit Methods for High-Dimensional Dynamic Pricing

Jonas Mueller, Vasilis Syrgkanis+1 more|arXiv (Cornell University)|Jan 30, 2018

Advanced Bandit Algorithms Research参考文献 33被引用 13

一句话总结

该论文提出了一种低秩上下文bandit算法，用于在具有时变交叉弹性且呈现低秩结构的非平稳需求模型下进行高维动态定价。通过将定价决策投影到由潜在产品特征张成的低维空间中，并利用在线奇异值分解学习该空间，该方法实现的遗憾（regret）仅与内在秩 $d$ 相关，而非产品数量 $N$，从而在高维场景下实现高效的收益最大化。

ABSTRACT

We consider dynamic pricing with many products under an evolving but low-dimensional demand model. Assuming the temporal variation in cross-elasticities exhibits low-rank structure based on fixed (latent) features of the products, we show that the revenue maximization problem reduces to an online bandit convex optimization with side information given by the observed demands. We design dynamic pricing algorithms whose revenue approaches that of the best fixed price vector in hindsight, at a rate that only depends on the intrinsic rank of the demand model and not the number of products. Our approach applies a bandit convex optimization algorithm in a projected low-dimensional space spanned by the latent product features, while simultaneously learning this span via online singular value decomposition of a carefully-crafted matrix containing the observed demands.

研究动机与目标

• 解决在非平稳、高维需求模型下，产品数量众多（$N$）时的动态定价挑战。
• 通过利用交叉弹性时变中的低秩结构，降低在线定价中的遗憾。
• 设计能够适应不断演变的需求模式的算法，而无需依赖平稳性或对需求模型的完整先验知识。
• 实现仅依赖于需求模型内在秩 $d$ 的遗憾界，而非产品数量 $N$。
• 在传统bandit方法遗憾下界为 $\Omega(\sqrt{N})$ 的对抗性设置下，提供可证明的对抗性遗憾保证。

提出的方法

• 该方法将需求建模为 $\mathbf{q}_t = \mathbf{c}_t - \mathbf{B}_t\mathbf{p}_t + \bm{\epsilon}_t$，其中 $\mathbf{B}_t$ 捕获时变的交叉弹性。
• 假设 $\mathbf{B}_t$ 和 $\mathbf{c}_t$ 的时变部分位于由潜在产品特征 $\mathbf{U} \in \mathbb{R}^{N \times d}$ 张成的低维子空间中。
• 该算法在 $d$ 维特征空间 $\mathbf{U}^T\mathbf{p}$ 中执行在线bandit凸优化，将价格投影到此低秩子空间中。
• 同时通过观测到的需求 $\mathbf{q}_t$ 构造的矩阵，利用在线奇异值分解（SVD）实时学习子空间 $\mathbf{U}$。
• 在低维空间中使用投影bandit算法，遗憾最小化基于估计的子空间 $\widehat{\mathbf{U}}$，确保收敛至最优定价。
• 理论分析表明，在噪声和模型变化的弱假设下，遗憾仅依赖于内在秩 $d$，而与 $N$ 无关。

实验结果

研究问题

• RQ1 当需求弹性随时间非平稳演化时，能否高效求解大量产品（$N$）的动态定价问题？
• RQ2 在时变需求中利用低秩结构，是否能实现与产品数量 $N$ 无关的遗憾界？
• RQ3 能否将在线奇异值分解与bandit优化有效结合，以同时学习潜在特征空间和最优价格？
• RQ4 在对抗性需求模型下，是否可能在高维定价中实现 $o(T)$ 的遗憾，且不随 $N$ 增长？
• RQ5 当 $N$ 较大时，该方法与标准bandit算法相比，其遗憾表现如何？

主要发现

• 在低秩假设下，所提算法的遗憾仅与需求模型的内在秩 $d$ 相关，而非产品数量 $N$。
• 遗憾界被严格证明与 $N$ 无关，使其适用于 $N \gg d$ 的高维动态定价场景，显著优于标准bandit方法的 $\Omega(\sqrt{N})$ 上界。
• 该方法结合了在线bandit凸优化与在线SVD，实现了对潜在特征空间的实时学习与价格的联合优化。
• 理论分析确认，最坏情况下的遗憾为 $O(\sqrt{T})$，但由于低秩结构的存在，其对 $N$ 的依赖被消除。
• 实验结果表明，即使 $N$ 较大，该算法在实际中仍表现良好，得益于高效的低维投影。
• 该方法对需求参数的对抗性变化具有鲁棒性，并提供了强有力的可证明保证，这对敏感定价应用至关重要。