基于神经网络的选择模型用于组合优化
摘要：神经网络在经济学、市场营销和收入管理中被用于预测顾客购买概率，例如作为价格和其他商品属性的函数。虽然它们被证明具有表达力，可以捕捉顾客的异质性和行为，但也很难估计，通常基于许多不可观测的因素，如实用性；此外，它们仍然无法捕捉顾客行为的许多显著特征。因此，鉴于神经网络在其他情境中的成功，一个自然的问题是是否神经网络可以消除精心构建上下文相关的顾客行为模型以及手工编码和调整估计的必要性。然而，如何将商品类别效应纳入这样的神经网络以及如何使用这样一个黑盒子生成模型来优化商品类别仍然不清楚。在本文中，我们首先研究了是否一个单一的神经网络架构可以预测来自不同情境下、在不同模型和假设下生成的数据集的购买概率。接下来，我们提出了一个可通过现成的整数规划求解器解决的商品类别优化问题的公式。我们将其与各种基准离散选择模型在模拟数据集和现实世界数据集上进行比较，一路上发展训练技巧，使神经网络预测和后续优化的稳健性和性能与替代方法可比较。
作者：Hanzhao Wang, Zhongze Cai, Xiaocheng Li, Kalyan Talluri
论文ID：2308.05617
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-11