Online Personalized Assortment Optimization with High-Dimensional Customer Contextual Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: Consider an online personalized assortment optimization problem in which customers arrive sequentially and make their decisions (e.g., click an ad, purchase a product) following the multinomial logit choice model with unknown parameters. Utilizing a customer’s personal information that is high-dimensional, the firm selects an assortment tailored for each individual customer’s preference. Academic/practical relevance: High dimensionality of a customer’s contextual information is prevalent in real applications, and it creates tremendous computational challenge in online personalized optimization. Methodology: In this paper, an efficient learning algorithm is developed to tackle the computational complexity issue while maintaining satisfactory performance. The algorithm first applies a random projection for dimension reduction and incorporates an online convex optimization procedure for parameter estimation, thus overcoming the issue of linearly increasing computational requirement as data accumulates. Then, it integrates the upper confidence bound method to balance the exploration and revenue exploitation. Results: The theoretical performance of the algorithm in terms of regret is derived under some plausible sparsity assumption on personal information that is observed in real data, and numerical experiments using both synthetic data and a real data set from Yahoo! show that the algorithm performs very well, having scalability and significant advantage in computational time compared with benchmark methods. Managerial implications: Our findings suggest that practitioners should process high-dimensional sparse customer data with an appropriate feature engineering technique, such as random projection (instead of abandoning the sparse portion) to maximize the effectiveness of online optimization algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle