KDD2018|基于GBM的动态定价回归模型

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

KDD2018|基于GBM的动态定价回归模型_第1张图片

智能定价图示如下  其中可以指定最低价和最高价

KDD2018|基于GBM的动态定价回归模型_第2张图片

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

KDD2018|基于GBM的动态定价回归模型_第3张图片

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

KDD2018|基于GBM的动态定价回归模型_第4张图片

下面是本文的两个主要贡献

KDD2018|基于GBM的动态定价回归模型_第5张图片

定价系统概览如下

KDD2018|基于GBM的动态定价回归模型_第6张图片

预测预定概率所用的特征列表如下

KDD2018|基于GBM的动态定价回归模型_第7张图片

所使用的模型是GBM

KDD2018|基于GBM的动态定价回归模型_第8张图片

作者们还采用了基于位置的自适应采样策略

KDD2018|基于GBM的动态定价回归模型_第9张图片

根据价格以及预测的概率可以预估需求曲线

KDD2018|基于GBM的动态定价回归模型_第10张图片

图示如下

KDD2018|基于GBM的动态定价回归模型_第11张图片

以下三个因素会干扰需求曲线的估计

KDD2018|基于GBM的动态定价回归模型_第12张图片

算法给出的价格bad case 示例如下

KDD2018|基于GBM的动态定价回归模型_第13张图片

难以确定出价合不合理的case如下

KDD2018|基于GBM的动态定价回归模型_第14张图片

KDD2018|基于GBM的动态定价回归模型_第15张图片

为了引出评价标准,下面是一些数字的意义约定

KDD2018|基于GBM的动态定价回归模型_第16张图片

下面是几个评价指标

KDD2018|基于GBM的动态定价回归模型_第17张图片

KDD2018|基于GBM的动态定价回归模型_第18张图片

其中PDR图示如下

KDD2018|基于GBM的动态定价回归模型_第19张图片

BR图示如下

KDD2018|基于GBM的动态定价回归模型_第20张图片

部分指标的解释如下

KDD2018|基于GBM的动态定价回归模型_第21张图片

KDD2018|基于GBM的动态定价回归模型_第22张图片

策略模型的特征及定义如下

KDD2018|基于GBM的动态定价回归模型_第23张图片

提出的损失函数定义如下

KDD2018|基于GBM的动态定价回归模型_第24张图片

具体表达式如下

KDD2018|基于GBM的动态定价回归模型_第25张图片

正负样本的损失函数上下界图示如下

KDD2018|基于GBM的动态定价回归模型_第26张图片

建议价格跟预定概率以及需求曲线之间的关系如下图所示

KDD2018|基于GBM的动态定价回归模型_第27张图片

正负样本定义如下

KDD2018|基于GBM的动态定价回归模型_第28张图片

正负样本的定义图示如下

KDD2018|基于GBM的动态定价回归模型_第29张图片

在时间窗选择上,作者们选择了三种情况

KDD2018|基于GBM的动态定价回归模型_第30张图片

效果如下

KDD2018|基于GBM的动态定价回归模型_第31张图片

两个城市的定价趋势如下

KDD2018|基于GBM的动态定价回归模型_第32张图片

KDD2018|基于GBM的动态定价回归模型_第33张图片


              我是分割线


您可能感兴趣

KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)

RecSys2019|优于DeepFM和XDeepFM的CTR模型FiBiNET

SIGIR2018|选择性GBDT(SelGB)用于排序学习(已开源)

AAAI2018|斯坦福大学提出并开源增强生成式模型

ijcai2017|CTR经典模型DeepFM,FNN,PNN,W&D,LR,FM对比(哈工大诺亚方舟提出CTR模型)

ICML2019|一种基于强化学习的推荐系统(GAN用户模型,佐治亚理工学院联合蚂蚁金服提出且已开源)

ICML2018|GBDT中如何寻找影响较大样本(普林斯顿大学联合Yandex提出并开源)

IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN

聊聊CatBoost

聊聊XGBoost CatBoost LightGBM RF GBDT

IJCAI2019|新型特征增广GBDT--AugBoost(已开源)

IJCAI2019|清华大学提出并开源新型梯度提升决策树(梯度提升分段线性回归树)

新型梯度提升决策树GBDT-SPARSE(谷歌微软FaceBook加州大学联合提出)

ICML2019|深度学习鼻祖之一Bengio提出并开源图马尔科夫神经网络

GBDT,LR,深度学习如何联合发力(以推荐系统和游戏为例)

大规模GBDT系统应用场景及效果对比(LightGBM,XgBoost,DimBoost等)

新型在线预测模型DeepGBM(基于GBDT扩展的深度学习框架)

顶会中深度学习用于CTR预估的论文及代码集锦 (3)

NIPS2018深度学习(9)|亮点:多元卷积稀疏编码、循环关系网络

ICML 2018 深度学习论文及代码集锦(5)

深度学习用于文本摘要的论文及代码集锦

深度学习用于机器翻译的论文及代码集锦

深度学习用于序列标注中的论文及代码集锦

深度学习在推荐系统中的应用及代码集锦(4)

深度学习在OCR中的应用论文及代码集锦 (2)

你可能感兴趣的:(KDD2018|基于GBM的动态定价回归模型)