Niedrigrangige Online-Dynamik-Sortiment mit dualen kontextuellen Informationen

Mit der Ausweitung des E-Commerce stellt die Echtzeitbereitstellung personalisierter Empfehlungen aus umfangreichen Katalogen eine entscheidende Herausforderung für Einzelhandelsplattformen dar. Die Maximierung des Umsatzes erfordert eine sorgfältige Berücksichtigung sowohl individueller Kundenmerkmale als auch verfügbarer Artikelmerkmale, um Sortimente über die Zeit zu optimieren. In diesem Papier betrachten wir das dynamische Sortimentsproblem mit dualen Kontexten – Nutzer- und Artikelmerkmale. In hochdimensionalen Szenarien erschwert das quadratische Wachstum der Dimensionen die Berechnung und Schätzung. Um diese Herausforderung zu bewältigen, führen wir ein neues niederrangiges dynamisches Sortimentsmodell ein, das dieses Problem in eine handhabbare Größenordnung transformiert. Anschließend schlagen wir einen effizienten Algorithmus vor, der die intrinsischen Unterräume schätzt und den Upper-Confidence-Bound-Ansatz nutzt, um den Trade-off zwischen Exploration und Exploitation bei Online-Entscheidungen zu adressieren. Theoretisch stellen wir eine Bedauernsgrenze von O((d₁+d₂) rT) auf, wobei d₁, d₂ die Dimensionen der Nutzer- bzw. Artikelmerkmale darstellen, r der Rang der Parameter-Matrix ist und T den Zeithorizont bezeichnet. Diese Grenze stellt eine erhebliche Verbesserung gegenüber der bisherigen Literatur dar, ermöglicht durch die Nutzung der niederrangigen Struktur. Umfangreiche Simulationen und eine Anwendung auf den Expedia-Hotel-Empfehlungsdatensatz veranschaulichen zudem die Vorteile unserer vorgeschlagenen Methode.