Representing Random Utility Choice Models with Neural Networks
本文介绍了 RUMnets，这是一种基于神经网络的离散选择模型，它在理论上能够逼近任何随机效用最大化模型，同时在真实世界数据集上展示了具有竞争力的预测准确性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正站在一台巨大的自动售货机前，但你不仅仅是按下一个按钮，而是必须根据一千个微小的线索来猜测一位陌生人会挑选哪种零食：他们的情绪、时间、薯片的的价格，以及他们是否刚刚看过一段苏打水的广告。这是从电影流媒体服务到在线旅游代理机构等各类企业每天都在面对的难题。他们需要预测你下一步会买什么，但棘手的部分在于：你的选择并非在真空中做出的。如果你想看某部特定的电影但它没提供，你不会直接放弃，而是会选择次优的选择。这种“替代效应”意味着对一种商品的需求完全取决于货架上还有什么其他东西。几十年来，专家们一直试图通过数学模型来解决这个问题，这些模型假设人类像理性的机器人一样行动，计算每一个选项的“效用”（或幸福感）并选出胜者。但现实中的人是复杂的，而且他们的隐藏偏好很难捉摸。
欢迎来到机器学习的世界，在这里，计算机正变得非常擅长从海量数据中发现模式。研究人员一直在追问一个大问题：我们能否利用这些超级聪明的“计算机大脑”来预测选择，同时又不抛弃人类真实思维的逻辑？如果我们只是让计算机盲目地猜测，它可能会在处理过去的数据时运气不错，但在面对新情况时却表现得一败涂地。目标是构建一个既具有深度学习算法的灵活性，又能遵循人类决策基本规则的模型。
本文介绍了一个名为 RUMnet（随机效用模型网络）的新工具来解决这个难题。可以将 RUMnet 想象成一个“超级强化的自动售货机模拟器”。作者提出，与其试图写下一个关于人们如何选择的单一、完美的公式，我们不如想象每个顾客都有一个我们看不见的、隐藏的“氛围”或一套偏好。RUMnet 使用神经网络（一种计算机大脑）来同时模拟成千上上个不同的“氛围”。
以下是它的实际运作方式：假设你试图预测一位顾客会买红衬衫还是蓝衬衫。一个标准的计算机模型可能只会观察价格并说：“蓝色更便宜，所以他们选蓝色。”但 RUMnet 更像是一位正在进行上千场试镜的选角导演。它会在脑海中创造出一千个不同版本的顾客。在一个版本中，顾客非常喜欢红色；在另一个版本中，他们讨厌红色，但仅限于红色太贵的时候；在第三个版本中，他们只是想和自己的鞋子颜色匹配。该模型会将选择过程运行在所有这些不同的“顾客化身”中，观察每一个化身会选择什么，然后通过平均这些结果来得到最终的预测。这种方法使模型能够捕捉到人类做出选择时那些复杂且隐藏的原因，同时仍遵循人们通常会选择能给他们带来最大满足感的选项这一规则。
研究人员通过两种方式测试了这个想法。首先，他们创建了带有虚构数据的“虚拟世界”，在这些世界里，他们明确知道人们应该如何进行选择。他们发现 RUMnet 可以完美地模仿简单模型所忽略的复杂非线性选择，并且在处理不同类型的顾客拥有完全不同口味的情况时表现尤为出色。其次，他们在两个截然不同的来源上的真实世界数据进行了测试：一份关于瑞士交通选择的调查（仅包含火车或汽车等三个选项），以及来自 Expedia 的大规模酒店搜索数据集（包含数百个选项）。
结果令人振奋。在真实世界的数据上，RUMnet 在预测人们实际选择了什么方面，比许多其他流行的方法（包括标准统计模型，甚至是一些像随机森林这样的“黑盒”机器学习工具）表现得更好。有趣的是，论文指出，虽然“黑盒”方法在小型瑞士数据集上表现尚可，但当选择的数量变得巨大时（如 Expedia 数据集所示），它们就会开始崩溃并做出荒谬的猜测。然而，RUMnet 却保持了稳定。作者认为这是因为 RUMnet 的结构迫使其去学习选择的“逻辑”而非仅仅是记忆模式，这有助于它更好地泛化到新的、未见过的场景中。
然而，论文也谨慎地表示，这并不是什么万能灵药。作者指出，与简单模型相比，RUMnet 的计算量更大，训练也更耗时。他们还指出，尽管它在测试中表现出色，但并不保证在每种场景下都能获胜。他们建议，未来的工作可以利用这种架构来帮助企业决定进什么货或如何定价，但就目前而言，主要的启示是 RUMnet 提供了一个平衡点：它足够聪明，可以处理复杂的人类行为；同时也足够结构化，从而保持可靠。这是朝着让计算机更好地理解人类日常决策中那复杂、奇妙且往往不理性的方式迈出的一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。