[论文解读] Market Segmentation Trees

Ali Aouad, Adam N. Elmachtoub+2 more|arXiv (Cornell University)|Jun 4, 2019

Consumer Market Behavior and Pricing被引用 10

一句话总结

本文提出了市场细分树（MSTs），这是一种新颖的可解释性框架，通过递归地基于决策树划分来优化市场细分与响应建模，以最大化响应模型的预测准确性。该方法优于传统的聚类-响应建模流程，在显著减少细分数量的同时实现了更优的预测性能，通过选择模型树（CMTs）用于选择建模和等向回归树（IRTs）用于出价格局预测得到验证，同时通过决策树结构保持了计算可行性与可解释性。

ABSTRACT

We seek to provide an interpretable framework for segmenting users in a population for personalized decision-making. We propose a general methodology, Market Segmentation Trees (MSTs), for learning market segmentations explicitly driven by identifying differences in user response patterns. To demonstrate the versatility of our methodology, we design two new, specialized MST algorithms: (i) Choice Model Trees (CMTs), which can be used to predict a user's choice amongst multiple options and (ii) Isotonic Regression Trees (IRTs), which can be used to solve the bid landscape forecasting problem. We provide a theoretical analysis of the asymptotic running times of our algorithmic methods, which validates their computational tractability on large datasets. We also provide a customizable, open-source code base for training MSTs in Python which employs several strategies for scalability, including parallel processing and warm starts. Finally, we assess the practical performance of MSTs on several synthetic and real world datasets, showing that our method reliably finds market segmentations which accurately model response behavior.

研究动机与目标

• 为解决传统市场细分的局限性，即基于特征相似性聚类用户而非响应行为，导致个性化效果不佳。
• 开发一个统一框架，整合市场细分与响应建模，以提升个性化决策中的预测准确性。
• 通过使用决策树定义市场细分，确保可解释性，从而生成清晰、人类可读的细分规则。
• 在大规模真实世界数据集上展示该方法的可扩展性与有效性，特别是在出价格局预测与选择建模方面。
• 提供可定制的开源实现，支持并行处理与热启动，以实现实际部署。

提出的方法

• MSTs 使用递归的决策树划分，根据上下文特征将用户划分为市场细分，其中每个划分选择均以最大化响应模型在叶节点上的预测准确性为目标。
• 训练过程优化一个全局目标，聚合所有细分的预测性能，确保划分由用户响应行为的差异驱动，而不仅依赖于特征相似性。
• 提出两种专用的MST变体：选择模型树（CMTs）用于多选响应预测，等向回归树（IRTs）用于使用每个细分内的等向回归模型预测广告拍卖中的中签率。
• 该算法采用贪心的自底向上树构建策略，并结合剪枝以防止过拟合，确保泛化能力。
• 开源的Python实现支持并行处理与热启动，以提升大规模数据集上的可扩展性。
• 理论分析表明，在温和条件下，该算法的渐近计算复杂度与树深度呈线性关系，支持在大规模数据上的可行性。

实验结果

研究问题

• RQ1 联合市场细分与响应建模框架是否能在预测准确性方面优于传统的两阶段聚类-响应建模方法？
• RQ2 基于决策树的细分在减少所需市场细分数量的同时，能在多大程度上提升可解释性？
• RQ3 MSTs在选择建模与出价格局预测中的性能与最先进基准相比如何？
• RQ4 所提出的方法是否能有效扩展至大规模真实世界数据集，同时保持计算可行性？
• RQ5 在出价格局预测中，MSTs中使用等向回归是否相比参数化替代方法（如逻辑回归）能带来更好的预测性能？

主要发现

• 在三个广告交易所中，等向回归树（IRT）模型在整体均方误差（MSE）上相比DSP基线方法提升了5–29%，在AUC上提升了2–14%。
• IRTs在MSE上相比等向回归基准（IR）提升了7–13%，在AUC上提升了7–15%；在MSE上相比IRKM提升了1–7%，在AUC上提升了0.6–5%，证明了监督式细分的价值。
• 仅使用10个市场细分，IRTs的性能即达到或超过使用最多1,000个细分的IRKM模型，凸显了该方法在细分数量上的高效性。
• CMTs在合成数据集与真实世界数据集上均能可靠识别出准确的市场细分，克服了模型误设问题，并表现出对过拟合的鲁棒性。
• 在Swissmetro数据集上，CMTs相比常见及最先进基准展现了强劲的预测性能，同时提供了可解释的用户细分定义。
• 开源的MST实现展示了在大规模数据集上的计算可行性，其渐近复杂度在温和条件下与树深度呈线性关系。