A Partial-Order-Based Model to Estimate Individual Preferences using Panel Data论文简介及其笔记| 论文笔记好用的论文笔记工具

A Partial-Order-Based Model to Estimate Individual Preferences using Panel Data

Vanessa He Management Science 2017-04 3478 2017/06/15 20:17:08

在零售运营方面，顾客的选择可能会受缺货和促销时间的影响，于是，本文利用包含用户交易历史、产品是否有货和促销数据的面板数据，基于偏序模型预测未来个人的购买。
　　*解释：偏序的含义有别于全序关系，具体是指在集合中，A<B、A<C，但是B与C的大小关系没法比较，于是这样构成的二元关系便称为偏序关系。*

**一、研究现状**
![](http://www.datalearner.com/resources/blog_images/2cfa4012-324c-4513-8a85-9152d5757cae.png)

![](http://www.datalearner.com/resources/blog_images/1b1b44a4-3be2-48aa-b367-6c8dfef89050.png)
　　过去的研究存在两个问题：1、忽视了给定用户与企业的重复交互，只简单认为每一条交互都是来自不同的独立个体；2、用户对每个商店的到访，可供选择的产品都被视为可获得的，这样可能会造成用户选择候选集的过度估计。
　　**于是为了解决这两个问题，本文认为：
  　　1、产品不总是可获得的，可能会有缺货；
  　　2、用户偏好可能会被价格或者促销所影响；
  　　3、顾客在面对商店的提供时可能会因为有限理性而不会评估所有的产品。**

**二、研究内容**
　　为此，本文的研究思路如下：
　　①为每一个用户构建DAG图（考虑与用户行为相关的选择惯性和触发事件这两个偏差）；
　　②将用户DAGs图聚类成k个细分；
　　③估计用户偏好列表的分布。
　　注意：DAG图即是用有向无环图来表示用户的偏好。
![](http://www.datalearner.com/resources/blog_images/12796fea-f2fe-4115-9048-1c4f83340714.png)

本文研究的重点便在于DAG图的构建（关于上图中的图聚类和参数估计的部分就不加以说明了，可参照原论文），于是本文提出了构建图的三种模型：标准模型、惰性模型、截断模型，具体构建举例如下：
　　**1、标准模型**：候选集构建规则Cit=Sit∪{0}；
　　**2、惰性模型**：候选集构建规则
![](http://www.datalearner.com/resources/blog_images/62c3eece-7c6e-487f-8bde-e70c5144445e.png)
　　**3、截断模型**：当用户既没有y因为选择惰性而选择上一阶段的购买产品，也没有购买该阶段促销产品时，惰性模型就失效了，那么此时的候选集构建规则变成Cit={ait}。这么看来，阶段模型是惰性模型的升级版。
![](http://www.datalearner.com/resources/blog_images/0bb523b2-5504-482a-9f4c-9525a9d9820a.png)
![](http://www.datalearner.com/resources/blog_images/7f1c959b-5f50-4dee-afcf-3ced21007bf9.png)

赏

支付宝扫码打赏

如果文章对您有帮助，欢迎打赏鼓励作者