社交网络中的不完全信息下的最优定价
摘要：数字产品在社交网络中的销售收入最大化中，账号的效用通常被认为是由两部分组成：私人的估值和来自其他账号的线性可加影响。我们研究了不完全信息的情况，每个账号都知道其他账号的私人估值的共同分布，并同时做出决策。在这种情况下，账号的“理性行为”由众所周知的贝叶斯纳什均衡所捕捉。 出现了两个具有挑战性的问题：如何计算均衡以及如何根据均衡来优化定价策略以最大化收入？在本文中，我们主要关注一个自然的模型，即每个账号的私人估值是从均匀分布中采样得到的，这已经是具有挑战性的。我们的主要结果是一个多项式时间算法，可以精确地计算出均衡和最优价格，当对等影响为非负时。如果允许负影响，则即使是近似计算任何均衡也是PPAD难问题。我们的算法还可以用于设计一种FPTAS来优化区分性的定价配置。
作者：Wei Chen, Pinyan Lu, Xiaorui Sun, Bo Tang, Yajun Wang, Zeyuan Allen Zhu
论文ID：1007.1501
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2011-09-27