How Do Consumers Really Choose: Exposing Hidden Preferences with the Mixture of Experts Model
消费者如何选择：用混合专家模型揭示潜在偏好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：摘要直接讨论消费者选择，并与多项 Logit 和混合 Logit 比较，因此归入离散选择。
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
消费者如何选择：用混合专家模型揭示潜在偏好
- 研究问题
- 面对价格、品牌和产品属性的非线性影响，如何更灵活地刻画消费者偏好异质性，并改善传统选择模型的预测表现？
- 方法与思路
- 作者采用混合专家框架，通过概率门控函数与专门的专家网络识别潜在行为群体，并使用大规模零售数据比较选择预测。
- 材料陈述的贡献
- 摘要称，该方法较传统计量模型显著提高预测准确度，并能捕捉非线性消费者反应，为需求预测与消费者分组提供更灵活框架。
- 阅读关注点
- 应核对选择概率如何构造、门控与专家网络的设定、训练测试划分及比较模型调参，并区分预测改善与偏好识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出数据细节、性能数值或价格外生性条件，不能推定因果需求效应。
原文摘要
Understanding consumer choice is fundamental to marketing and management research, as firms increasingly seek to personalize offerings and optimize customer engagement. Traditional choice modeling frameworks, such as multinomial logit (MNL) and mixed logit models, impose rigid parametric assumptions that limit their ability to capture the complexity of consumer decision-making. This study introduces the Mixture of Experts (MoE) framework as a machine learning-driven alternative that dynamically segments consumers based on latent behavioral patterns. By leveraging probabilistic gating functions and specialized expert networks, MoE provides a flexible, nonparametric approach to modeling heterogeneous preferences. Empirical validation using large-scale retail data demonstrates that MoE significantly enhances predictive accuracy over traditional econometric models, capturing nonlinear consumer responses to price variations, brand preferences, and product attributes. The findings underscore MoEs potential to improve demand forecasting, optimize targeted marketing strategies, and refine segmentation practices. By offering a more granular and adaptive framework, this study bridges the gap between data-driven machine learning approaches and marketing theory, advocating for the integration of AI techniques in managerial decision-making and strategic consumer insights.