本文探讨了Airbnb的动态定价策略，使用定制化GBM回归模型预测最优价格。模型通过二分类预测预定概率，结合自适应采样策略和定制损失函数优化。文中提出新的线下评估标准，并在Airbnb智能定价系统中部署，线上测试显示有效。重点讨论了价格、时间、评价等因素对需求曲线的影响，并展示了模型在不同时间窗口的效果。
Customized Regression Model for Airbnb Dynamic Pricing
Peng Ye, Julian Qian, Jieying Chen, Chen-hung Wu, Yitong Zhou, Spencer De Mars, Frank Yang, Li Zhang
Airbnb, Ant Financial, Impira
http://delivery.acm.org/10.1145/3220000/3219830/p932-ye.pdf
这篇文章主要讨论Airbnb的定价策略模型。价格优化的目标在于帮助分享房子的主人更好的定价。
在传统定价问题中，定价策略用于大量同样的产品，但是在Airbnb来说，没有"相同"的产品。该平台上的每个列表展示了不同的价格。Airbnb中很难估计精确的需求曲线，进而将传统的收益最大定价策略用于其中。
本文定价系统包含三个部分。首先，二分类模型预测预定的概率，然后，回归模型来预测最优价格，作者们给出了一种定制化损失函数来指导学习过程。最后，利用加性个性化逻辑对第二个模型的输出加以处理，进而给出最终的建议价格。
这篇文章着重描述定价系统中的第二步回归模型。作者们还给出了一些新的线下评估的衡量标准。这种定价策略已经部署在Airbnb的智能定价系统中。线上A/B测试结果显示了作者们所提出的模型的有效性。
定价建议图示如下
智能定价图示如下 其中可以指定最低价和最高价
智能定价主要关注两个点，一是需求预估
下面是谷歌搜索趋势图
此外，如何定价跟时间因素以及顾客对该商品评价的好坏之间的关系十分紧密
这篇文章的亮点在于
下面是本文的两个主要贡献
定价系统概览如下
预测预定概率所用的特征列表如下
所使用的模型是GBM
作者们还采用了基于位置的自适应采
最低0.47元/天 解锁文章
扫一扫
3853
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
