[论文解读] Online Pricing with Reserve Price Constraint for Personal Data Markets

Chaoyue Niu, Zhenzhe Zheng+3 more|arXiv (Cornell University)|Nov 28, 2019

Privacy-Preserving Technologies in Data参考文献 56被引用 4

一句话总结

本文提出了一种带有保留价格约束的上下文动态定价机制，用于在线个人数据市场，采用椭球优化方法以最小化收益最大化的遗憾。在不确定性较低时，该机制实现了对数级最坏情况遗憾，并在数据市场、酒店业和广告应用中表现出色，具有低延迟和低内存开销。

ABSTRACT

The society's insatiable appetites for personal data are driving the emergency of data markets, allowing data consumers to launch customized queries over the datasets collected by a data broker from data owners. In this paper, we study how the data broker can maximize her cumulative revenue by posting reasonable prices for sequential queries. We thus propose a contextual dynamic pricing mechanism with the reserve price constraint, which features the properties of ellipsoid for efficient online optimization, and can support linear and non-linear market value models with uncertainty. In particular, under low uncertainty, our pricing mechanism provides a worst-case regret logarithmic in the number of queries. We further extend to other similar application scenarios, including hospitality service, online advertising, and loan application, and extensively evaluate three pricing instances of noisy linear query, accommodation rental, and impression over MovieLens 20M dataset, Airbnb listings in U.S. major cities, and Avazu mobile ad click dataset, respectively. The analysis and evaluation results reveal that our proposed pricing mechanism incurs low practical regret, online latency, and memory overhead, and also demonstrate that the existence of reserve price can mitigate the cold-start problem in a posted price mechanism, and thus can reduce the cumulative regret.

研究动机与目标

• 解决在查询价值不确定的在线个人数据市场中，最大化数据经纪人收益的挑战。
• 设计一种包含保留价格约束的动态定价机制，以缓解冷启动问题。
• 在不确定性下，通过高效的在线优化支持线性和非线性市场价值模型。
• 在数据市场、酒店业和在线广告等多样化的真实世界数据集上评估该机制。
• 在动态定价场景中，展示低实际遗憾、低在线延迟和高内存效率。

提出的方法

• 采用椭球知识集表示市场价值估计中的不确定性，支持高效的在线优化。
• 采用上下文动态定价框架，数据经纪人根据查询上下文和历史反馈发布价格。
• 应用保留价格约束，设定价格的最低阈值，防止定价过低并减少初始遗憾。
• 实施基于梯度的在线学习算法，结合椭球更新，以维持并优化市场价值权重向量的信念。
• 通过特征空间变换，将机制扩展至非线性市场价值模型，并通过椭球近似保持不确定性。
• 引入一种反馈机制，仅观察二元反馈（成交/未成交），支持在部分信息条件下运行。

实验结果

研究问题

• RQ1 数据经纪人如何在查询价值不确定的在线个人数据市场中，最大化累积收益？
• RQ2 在固定价格机制中，引入保留价格约束对减少累积遗憾有何影响？
• RQ3 椭球优化框架能否在反馈有限且上下文高维的动态定价中实现低遗憾？
• RQ4 保留价格如何缓解在线定价系统中的冷启动问题？
• RQ5 所提出的机制在数据市场、酒店业和在线广告等不同应用领域中的泛化能力如何？

主要发现

• 所提机制在低不确定性下，最坏情况遗憾与查询次数的对数成正比，显著优于无保留价格约束的方法。
• 引入保留价格约束有效缓解了冷启动问题，减少了初始遗憾并加速了收敛。
• 在MovieLens 20M、Airbnb U.S.房源列表和Avazu广告点击数据集上的实证评估显示，遗憾水平低、在线延迟低，且内存开销极小。
• 该机制在保持计算效率的同时，支持线性和非线性市场价值模型，通过椭球近似实现。
• 基于仅二元成交/未成交结果的反馈机制，即使在信息有限的情况下，也能实现稳健性能。
• 结果验证了保留价格约束通过防止定价过低和提升早期决策质量，显著增强了收益优化能力。