Core Concepts
オンラインリテールプラットフォームは、膨大なカタログから顧客に合わせた商品提案を即時に行う必要がある。本研究では、ユーザー特徴と商品特徴の双方のコンテキスト情報を活用し、低ランク構造を仮定することで、効率的な動的アソートメント最適化手法を提案する。
Abstract
本研究では、オンラインリテールにおける動的アソートメント問題を扱う。プラットフォームは、ユーザーの特徴ベクトルとアイテムの特徴ベクトルの双方の情報を活用し、ユーザーに最適なアソートメントを提示する必要がある。
提案手法の概要は以下の通り:
最初の探索段階では、ランダムなアソートメントを提示し、低ランク構造を仮定した最尤推定により、潜在的な特徴空間を推定する。
推定された特徴空間に基づき、ユーザー・アイテム特徴を回転・次元削減し、低次元化する。
低次元化された特徴空間上で、上限信頼区間(UCB)アプローチを用いて、最適なアソートメントを選択する。
理論的には、提案手法の累積regretが(d1 + d2)r√Tのオーダーに抑えられることを示した。これは、従来手法のd1d2√Tに比べ大幅な改善である。
シミュレーションと実データ分析の結果から、提案手法が従来手法に比べ優れた性能を示すことが確認された。
Stats
提案手法の累積regretは(d1 + d2)r√Tのオーダーに抑えられる
従来手法の累積regretはd1d2√Tのオーダー
Quotes
"オンラインリテールプラットフォームは、膨大なカタログから顧客に合わせた商品提案を即時に行う必要がある。"
"ユーザー特徴と商品特徴の双方のコンテキスト情報を活用し、低ランク構造を仮定することで、効率的な動的アソートメント最適化手法を提案する。"