Bayesian Machine Learning Methods For Large Scale Demand Estimation
大规模需求估计的贝叶斯机器学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以混合 logit 等模型估计多类别产品需求，直接涉及离散选择与需求模型估计，但未说明结构识别细节。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
大规模需求估计的贝叶斯机器学习方法
- 研究问题
- 多产品类别的大规模需求估计中，潜在分解与混合 logit 模型如何利用跨类别信息，贝叶斯计算方法又如何权衡预测准确性与耗时？
- 方法与思路
- 作者比较潜在分解模型和混合 logit 模型，以及 MCMC 与变分推断两种贝叶斯估计方法，结合模拟和超市扫描数据应用。
- 材料陈述的贡献
- 摘要称潜在分解模型随选择环境维度增加改善预测；MCMC 准确性最高但耗时，变分推断以较小预测损失换取更短运行时间。
- 阅读关注点
- 应核对跨类别信息的共享机制、模型与计算方法比较是否公平、预测评价和耗时测量，以及需求参数是否具有明确经济解释。
- 阅读边界
- 仅据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；识别条件、预测差异数值及需求参数表现未说明。
原文摘要
This work studies how Bayesian machine learning methods can be used for large-scale demand estimation with many product categories. I compare two model classes, a latent factorization model and a mixed logit model and two Bayesian estimation approaches, Markov Chain Monte Carlo (MCMC) and Variational Inference (VI). The analysis combines a simulation study with an application to supermarket scanner data. The results show that the latent factorization model benefits from information across categories and improves its predictive performance as the dimensionality of the choice environment increases, whereas the mixed logit model does not exhibit the same pattern. MCMC delivers the highest predictive accuracy but is computationally intensive. VI achieves slightly lower predictive performance while substantially reducing runtime. In the empirical application, VI also outperforms the mixed logit benchmark. These findings highlight a trade-off between accuracy and computational feasibility in multi-category demand estimation.