在線學習最佳化在加購商品與捆綁銷售推薦系統的應用

近年來全球使用電子商務平台進行網路購物的人口大幅成長。各平台為了提升獲利多會推出許多不同的優惠活動。加購商品與捆綁銷售為各平台提升利潤常用的手法之一。在本計畫中，我們預計利用在線學習最佳化(Online learning optimization)的數學方法，提供一個最佳產品推薦策略來達到利潤最大化的目的。第一年度計畫考慮加購商品的推薦策略。本問題假設決策者不知道消費者對於每一商品的喜好度但決策者可以根據每一期的銷售資料進行學習。本研究結合在線學習與最佳化模型來達到利潤最大化的目的。本研究利用貝式動態規劃進行模型建立，希望能夠利用數學分析來了解最佳商品推薦策略的特性。同時，由於問題的複雜度，我們也會建立一個學習演算法使得上述問題能夠有效的被解決。第二年度計畫考慮主產品與加購商品的庫存管理問題。在文獻中，需求不確定性大多以機率分配來表示。然而，此機率分配在實務中往往是未知的。為解決這問題，本研究利用貝式學習來學習此機率分配，因此本問題也被稱為貝式庫存管理問題(Bayesian newsvendor problem)。此問題的最佳解存在許多數學特性，其中最有名的結果為：多期問題中最佳解的庫存量必定大於等於單期問題最佳解。我們將此問題延伸到多產品並考慮產品間互有關連性。希望能夠驗證上述的數學特性是否仍然存在於本計畫考慮的多產品問題當中。第三年度計畫考慮捆綁銷售(bundling)推薦以及各商品的庫存管理問題。本研究的目的為提出一個最佳的捆綁銷售策略來提升業者的獲利。其中，我們考慮顧客對於各產品的組合喜好為未知，但決策者可利用每一次的銷售結果來學習顧客對各組合包的可能喜好度。本年度計畫同時考慮提出一個有效的在線學習演算法來解決本問題在計算最佳解所遇到的問題。最後，我們會利用隨機模擬來驗證所提出的在線學習演算法的成效。本計畫所使用的在線學習最佳化模型還可被應用在許多最佳化結合學習的問題中。例如：可靠度未知時的機台維修保養、需求未知時的產能規劃、消費者喜好未知時的訂價策略等等。