服务运营｜MNL-Bandit:分类选择的动态学习方法

文章预览

文献链接： https://doi.org/10.1287/opre.2018.1832 01 研究背景 我们考虑一个动态分类选择问题，其中零售商在每一轮中提供N种可替代产品的子集(分类)给消费者，消费者根据多项式logit (MNL)选择模型从这些产品中选择一种。零售商观察这种选择，目标是动态学习模型参数，同时优化长度为T的销售范围内的累积收入。我们将这种探索-利用公式称为MNL-Bandit问题。 本文中，我们给出了一种新的有效的算法，可以同时探索和利用任何问题参数，而无需先验知识。此外，该算法是自适应的，在“良好分离”的情况下，它的性能接近最优，在这种分离不需要保持的一般参数设置中。 02 模型建立 1.购买概率： 零售商有N个产品, 𝑖: 𝑖∈{1,2,⋯ , 𝑁}，在 t 时刻选择提供产品组合S_t⊂{1,2,⋯ , 𝑁}。消费者在 t 时刻的购买选择c_t∈ S_t∪{0}。消费者的购买概率p_i (S)为 2.预 ………………………………