离散选择设置中双层优化的因果感知基础模型

我们引入了一个因果意识基础模型框架，用于在离散选择环境中进行实时最优决策。我们提出了一种约束三头价格优化（C3PO）网络来解决双层决策问题，其中服务提供商选择最佳分类，而异构用户则做出个性化接受或拒绝选择，优化他们自己的个性化偏好。 C3PO 集成了价格模仿学习、收入响应的多任务学习以及价格弹性的上下文学习，以在遵守业务约束的同时生成定价建议。在推理过程中，前沿模型提示从行为经济学文献中检索新产品的增强弹性先验，从而提高定价有效性。我们使用模拟、合成和真实数据集展示了强大的上下文学习性能。 C3PO 使用经济学中多个经典离散选择模型生成的模拟数据进行训练。该模型根据包含模拟客户群以及反事实行动和结果对的数据进行训练，并在随机生成的选择环境中进行评估，而无法访问底层偏好结构。经过训练的模型不断改进定价 KPI，随着客户价格敏感度的提高，收益也会增加。我们还在医疗保健、招标定价、航空公司辅助定价和其他领域等实际应用中部署了优化定价的调整基础模型，在多个产品、市场和部门中取得了可观的收益。