【论文阅读】Optimal Advertising for Information Products

github博客文章链接

Abstract

这篇是发表在 EC21 上的文章。考虑的情形是有一个不可知的状态，买家能够选择一个行动，其收益取决于状态和行动。卖家知道真实的状态，想要将状态信息出售给买家。为了让买家愿意付钱购买，卖家可以先免费透露部分信息给买家，改变其对状态的估计，从而让其购买状态信息。买家和卖家都想最大化自己的收益。论文里讨论了卖家的最优机制设计问题，通过优化的角度，给出了特殊情形下问题的解法，同时证明了一般情形下该问题是 NP 难的。

由于论文里涉及到较多凸优化的知识，所以只读懂了一部分。希望等之后学了凸优化之后再来补坑。

Motivation

在生活中有很多这样的例子：例如电影院通过预告片让一些人对电影产生更大的兴趣。注意到虽然提前透露部分信息会让卖家拥有的私有信息量减少，却能让一些人对信息产品产生兴趣，因此来获得更高的收益。

跟传统模型的差别：贝叶斯说服（Bayesian persuasion）中，卖家只考虑买家采取的动作；该模型中卖家还需要考虑具体的收益，即买家付的钱。传统的商品拍卖中，透露信息并不会改变商品本身；该模型中，透露信息会减少卖家包含的私有信息量，即商品的品质。

Model

考虑状态 ω ∈ Ω = { 1 , ⋯   , n } \omega\in \Omega=\{1,\cdots,n\} ω∈Ω={ 1,⋯,n}，其服从概率分布 $\mu (\omega )$，其中 $\mu$ 是公有信息。具体状态只有卖家能看到，买家对状态的概率分布有一个自己的估计 $\theta \in \Theta \subseteq \Delta \Omega$。买家可以选择一个行动 $a\in A$。若选择了行动 $a$ 且状态为 $\omega$，其收益为 $u(\omega ,a)$。

买家必须提前公布自己的广告机制。具体来说，广告机制的定义为

Definition 2.1 (Advertising Rule)

广告机制 ⟨ S , π , { p s : s ∈ S } ⟩ \langle S,\pi,\{p_s:s\in S\}\rangle ⟨S,π,{ ps​:s∈S}⟩ 包括

• 有限大小的信号集合 $S$。
• $\pi :\Omega \to \Delta S$ 是信号发送机制，即观测到某一个状态后，以特定的概率分布去发送信号。
• { p s : s ∈ S } \{p_s:s\in S\} { ps​:s∈S} 表示收到信号 $s$ 后，买家可以选择以 $p_s$ 的价格购买具体状态信息。

那么卖家在观测到状态 $\omega$ 后，先以 $\pi (\omega ,s)$ 的概率发送信号 $s$。买家可以选择不买具体的状态信息，也可以选择以 $p_s$ 的价格购买。

---

注意到若买家对状态的估计是 $\theta =({\theta }_1,\cdots ,{\theta }_n)$，那么在收到信号 $s$ 后，其估计会变为
$${\eta }^s(\theta )=\frac{({\theta }_1\pi (1,s),\cdots ,{\theta }_n\pi (n,s))}{{\sum }_{\omega =1}^n{\theta }_{\omega }\pi (\omega ,s)}$$
那么买家愿意为购买真实信息付的钱，不超过他知道真实状态 $\omega$ 后的收益减去估计是 ${\eta }^s(\theta )$ 时的期望收益。具体来说：

Definition 2.2 (Cost of Uncertainty)

假设买家的收益函数为 $u(\omega ,a)$，估计为 $\eta =({\eta }_1,\cdots ,{\eta }_n)\in \Delta \Omega$，定义不确定花费为买家不知道真实状态带来的期望损失：
$$\begin{array}{rl}C(\eta )& =E_{\omega \sim \eta }[\underset{a\in A}{\max }u(\omega ,a)]-\underset{a\in A}{\max }{E}_{\omega \sim \eta }[u(\omega ,a)]\\ & =\sum _{\omega =1}^n{\eta }_{\omega }\underset{a\in A}{\max }u(\omega ,a)-\underset{a\in A}{\max }\sum _{\omega =1}^n{\eta }_{\omega }u(\omega ,a)\\ & =\underset{a}{\min }{C}_a(\eta )\end{array}$$
其中 $C_a(\eta )={\sum }_{\omega =1}^n{\eta }_{\omega }({\max }_{a^{\prime }\in A}u(\omega ,a^{\prime })-u(\omega ,a))$ 是关于 $\eta$ 的线性函数，表示采取行动 $a$ 后带来的损失。注意到 $C(\eta )$ 是 $|A|$ 个线性函数的 $\min$，那么 $C(\eta )$ 是一个凹函数。

---

当买家收到信号 $s$ 后，他愿意购买状态信息当且仅当 $C({\eta }^s(\theta ))\ge p_s$，即购买后能带来非负的收益。

我们假设卖家知道买家状态的概率分布 $\mu (\theta |\omega )$，那么选择了广告机制 ⟨ S , π , { p s : s ∈ S } ⟩ \langle S,\pi,\{p_s:s\in S\}\rangle ⟨S,π,{ ps​:s∈S}⟩ 后，其期望收益为
$$\sum _{\omega \in \Omega }\mu (\omega )\sum _{\theta \in \Theta }\mu (\theta |\omega )\sum _{s\in S}\pi (\omega ,s)\cdot p_s\cdot 1(C({\eta }^2(\theta ))\ge p_s)$$
卖家的目标是找到广告机制来最大化自身期望收益。

Single Buyer Type

首先考虑买家的状态 $\theta$ 是固定的情况。

Concave Closure Formulation

Definition 3.1 (Likelihood ratio)

若买家的估计为 $\theta \in \Delta \Omega$，定义其似然比为

R ( η ) = ∑ ω μ ω ⋅ η ω θ ω