[论文解读] Model Distillation for Revenue Optimization: Interpretable Personalized Pricing

Max Biggs, Wei Sun+1 more|arXiv (Cornell University)|Jul 3, 2020

Explainable Artificial Intelligence (XAI)参考文献 47被引用 30

一句话总结

该论文研究在收入优化、可解释定价树中使用知识蒸馏，强调朴素的回归树方法的潜在陷阱，并提出最大化收入的处方树。

ABSTRACT

Data-driven pricing strategies are becoming increasingly common, where customers are offered a personalized price based on features that are predictive of their valuation of a product. It is desirable for this pricing policy to be simple and interpretable, so it can be verified, checked for fairness, and easily implemented. However, efforts to incorporate machine learning into a pricing framework often lead to complex pricing policies which are not interpretable, resulting in slow adoption in practice. We present a customized, prescriptive tree-based algorithm that distills knowledge from a complex black-box machine learning algorithm, segments customers with similar valuations and prescribes prices in such a way that maximizes revenue while maintaining interpretability. We quantify the regret of a resulting policy and demonstrate its efficacy in applications with both synthetic and real-world datasets.

研究动机与目标

• 在收入优化中建立可解释、处方化定价模型的必要性动机。
• 展示当目标是收入最大化时，朴素的教师-学生蒸馏的潜在陷阱。
• 提出直接优化收入的处方树框架。
• 在 toy 和合成情境中比较处方树与朴素回归树方法。

提出的方法

• 从教师-学生蒸馏的视角建模需求和价格效应。
• 用一个简例证明朴素回归树在收入方面可能不如处方树。
• 开发一个深度为 k 的轴对齐二叉树，将特征空间划分为超矩形，使每个叶子节点的收入最大化。
• 给出理论上的后悔界，展示树的深度和划分如何影响性能。
• 进行合成实验，比较处方树与替代的蒸馏方法。
• 讨论实际数据（Dunnhumby）在价格个性化中的预处理步骤与离散化。

实验结果

研究问题

• RQ1 处方决策树是否能直接在定价情境中比朴素回归树更好地最大化收入？
• RQ2 树深和数据划分对收入表现有何影响？
• RQ3 在 toy 与合成情境中，基于蒸馏的方法相比传统处方方法的表现如何？
• RQ4 在将处方定价应用于现实世界数据时有哪些实际注意事项（如价格离散化、需求无弹性）？

主要发现

• 在一个具有无弹性需求的 toy 情境中，朴素回归树方法的收入大约只有处方树的一半。
• 直接优化收入的处方树在合成数据集上比基于回归器的蒸馏方法获得更高的收入。
• 树的深度增加在一定点上可以提升收入，处方树的表现优于朴素方法。
• 仅模仿教师需求预测的蒸馏替代方法需要更大深度才能达到可比收入，但仍落后于处方树。
• 补充材料展示了将学生-教师框架直接应用于处方问题的潜在陷阱。