Model Distillation for Revenue Optimization: Interpretable Personalized Pricing
Max Biggs, Wei Sun, Markus Ettl
University of Virginia, IBM Research
https://arxiv.org/pdf/2007.01903.pdf
数据驱动的定价策略越来越流行,基于消费者对商品价值评估的可预测特征,对消费者给出个性化定价。对于定价策略,简单可解释是比较符合预期的,这样可以进行验证,检查公平性,并且容易实现。
但是,将机器学习用于定价的框架,通常定价策略比较复杂,难以解释,在实践中的落地就比较缓慢。作者们提出一种定制化可描述的基于树的算法,从复杂黑箱机器学习算法中进行知识蒸馏,将客户分成相似的价值分段,然后给出价格,该价格在保证可解释性的同时最大化收益。
作者们对结果策略的不足进行了量化并且在生成数据集和真实数据集上验证了有效性。
为了解决复杂模型的不可解释性,一种方式是知识蒸馏
teacher-model 用于预测用户会不会买,student model对价格进行回归建模
可解释定价算法图示如下
这篇文章的主要贡献如下
符号约定如下
关于树模型的定价收益和最优定价收益的收益误差,简介如下