文献

J-GLOBAL ID：202002244564794818   整理番号：20A2139343

表現学習を用いた製品競争の研究【JST・京大機械翻訳】

Studying Product Competition Using Representation Learning

著者 (5件)： Chen Fanglin (New York University, New York, NY, USA) ,  Liu Xiao (New York University, New York, NY, USA) ,  Proserpio Davide (University of Southern California, Los Angeles, CA, USA) ,  Troncoso Isamar (University of Southern California, Los Angeles, CA, USA) ,  Xiong Feiyu (Alibaba Group, Hangzhou, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’20  ページ： 1261-1268  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ブランドレベルの代わりに製品レベルでの競争と市場構造を研究することは,企業が,キャンニバル化と製品ライン最適化に関する洞察を提供することができる。しかし,e-コマースプラットフォーム上で利用可能な製品数百万の製品レベル競争を解析することは,計算的に困難である。製品の数が大きいとき,製品レベル競争を研究するために,表現学習アルゴリズムWord2Vecに基づく方式である製品2Vecを導入した。提案モデルは,入力としてショッピングバスケットを取り上げ,あらゆる製品に対して,重要な製品情報を保存する低次元埋込みを生成する。企業戦略意思決定に有用な製品埋込みのために,Word2Vecへの2つの修正を提案するために,経済理論と因果推論を利用した。まず,2つの測度,相補性と交換性を作成し,製品対が補体または代替であるかどうかを決定することができた。第2に,これらのベクトルをランダムユーティリティベース選択モデルと組み合わせ,需要を予測した。価格弾性を正確に推定するために,需要が価格の変化にどのように応答するか,製品ベクトルから価格の影響を除去することによりWord2Vecを修正した。最先端のモデルと比較して,著者らのアプローチがより速く,より正確な需要予測と価格弾性を生成することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  測度 ,  *ベクトル ,  意思決定 ,  経営戦略 ,  購買 ,  市場構造 ,  ブランド ,  弾性 ,  補体 ,  需要予測 ,  相補性 ,  学習アルゴリズム
準シソーラス用語： 選択モデル ,  因果推論 , 【Automatic Indexing@JST】

著者キーワード (3件)： 製品競争 ,  製品2vec ,  表現学習

分類 (1件)： マーケティング  (KA06020W)

タイトルに関連する用語 (3件)： 表現学習 ,  競争 ,  研究