考虑买家类型多样的动态定价，提升价格策略的精准度与收益。
Contextual Dynamic Pricing with Heterogeneous Buyers
- 基于上下文和买家类型分布，采用乐观后验采样策略优化定价。
- 理论证明算法在 $d$ 维上下文和 $T$ 轮中误差为 $ ilde{O}(K_{ iny ext{⋆}} oot dT)$，逼近最优。
- 特别针对无上下文场景提出方差感知算法，更优地处理买家类型差异。
我们首次研究具有异质买家群体的上下文动态定价问题：卖家在 $T$ 轮中根据可观测的 $d$ 维上下文设定价格，并接收二元购买反馈。与以往假设买家同质不同，本设置中买家估值类型来自未知分布，支持集大小为 $K_{ iny ext{⋆}}$。我们提出一种基于乐观后验采样的上下文定价算法，其累计后悔上界为 $ ilde{O}(K_{ iny ext{⋆}} oot dT)$，在 $d$ 与 $T$ 上紧致（仅差对数因子）。此外，我们进一步分析非上下文情形，设计了一种方差感知的缩放算法，实现了对 $K_{ iny ext{⋆}}$ 的最优依赖关系。
原文摘要 · Abstract (English)
We initiate the study of contextual dynamic pricing with a heterogeneous population of buyers, where a seller repeatedly posts prices (over $T$ rounds) that depend on the observable $d$-dimensional context and receives binary purchase feedback. Unlike prior work assuming homogeneous buyer types, in our setting the buyer's valuation type is drawn from an unknown distribution with finite support size $K_{\star}$. We develop a contextual pricing algorithm based on optimistic posterior sampling with regret $\widetilde{O}(K_{\star}\sqrt{dT})$, which we prove to be tight in $d$ and $T$ up to logarithmic terms. Finally, we refine our analysis for the non-contextual pricing case, proposing a variance-aware zooming algorithm that achieves the optimal dependence on $K_{\star}$.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。