Customized Regression Model for Airbnb Dynamic Pricing

Peng Ye, Julian Qian, Jieying Chen, Chen-hung Wu, Yitong Zhou, Spencer De Mars, Frank Yang, Li Zhang

Airbnb, Ant Financial, Impira

https://dl.acm.org/doi/pdf/10.1145/3219819.3219830

Airbnb是一个线上商城，业务以民宿租赁为主，在这上面可以将房屋分享出去，并且可以分享经验。这篇文章描述了部署在线上的Airbnb的定价策略模型。定价策略优化的目标在于帮助分享房子的主人设定更优的定价。

在传统定价问题中，定价策略用于大量同样的产品，但是在Airbnb这个平台上，不存在相同的产品。该平台上，每个用户看到的列表展示了不同的价格和经验。这就使得在Airbnb平台中，很难精准估计需求曲线，进而很难将传统的收益最大定价策略用于这种场景。

In this paper, we focus on describing the regression model in the second stage of our pricing system. We also describe a novel set of metrics for offline evaluation. The proposed pricing strategy has been deployed in production to power the Price Tips and Smart Pricing tool on Airbnb. Online A/B testing results demonstrate the effectiveness of the proposed strategy model.

本文定价系统包含三个部分。首先，二分类模型预测预定的概率，然后，回归模型来预测最优价格，作者们使用一种定制化损失函数来指导学习过程。最后，利用个性化逻辑对第二个模型的输出进行处理，给出最终的建议价格。

这篇文章着重描述定价系统中的第二步，即回归模型。作者们还给出了一些新的离线评估的指标。作者们提出的定价策略已经部署在Airbnb的价格建议和智能定价系统中。线上A/B测试结果，表明了作者们所提模型的有效性。

定价建议模块图示如下

智能定价图示如下  其中可以指定最低价和最高价

airbnb的智能定价模型每天更新

智能定价主要有两个具有挑战性的点，一是需求预估

需求预估会随时间而变化，下面是谷歌搜索趋势图

此外，定价策略跟时间因素以及顾客对该商品的评价之间的关系十分紧密

这篇文章的亮点在于

这篇文章的两个主要贡献如下

这篇文章的定价系统概览如下

预测预定概率所用的特征列表如下

预测预订概率所使用的模型是GBM

作者们还采用了基于位置的自适应采样策略

根据价格以及预测的概率可以预估需求曲线

预估需求曲线图示如下

以下三个因素会干扰需求曲线的估计

算法给出的价格bad case 示例如下

难以确定出价合不合理的case如下

为了引出评价标准，下面是一些符号约定

下面是几个评价指标

其中PDR（低价召回，算法出价低于真实价格，并且没有被预定）图示如下

BR（预定遗憾值，算法出价低于成交价的比例以及0取较大值所得序列的中位数）图示如下

部分指标的解释如下

PDR越大越好，BR越小越好

策略模型的特征及定义如下

策略模型中，作者们提出的损失函数定义如下

具体表达式如下

其中建议价格表示方式如下

正负样本的损失函数上下界图示如下

建议价格跟预定概率以及需求曲线之间的关系如下图所示

如果是低需求场景，建议价格随着预定概率的增大，先缓慢增长，达到一定程度之后，价格快速增长。

如果是高需求长场景，建议价格随着预定概率的增大，先快速增长，达到一定程度之后，价格缓慢增长。

正负样本定义如下

正负样本的定义图示如下

在时间窗的选择上，作者们选择了三种情况

前两种情况中，观察周期大概为三周，第三种情况下，观察周期大约三个月

相对朴素定价策略（由预定概率得到的基于需求曲线的最大化收益定价策略）的效果对比如下

两个城市的定价趋势图示如下

其中可以看出一定的周期性和季节性

---

我是分割线

---

您可能感兴趣

密歇根州立大学联合领英提出基于AutoML的Embedding框架AutoDim

密歇根州立大学联合字节提出AutoEmb用于流式推荐

深度学习在CTR预估中的应用

伊利诺伊大学联合中科院提出动态图协同过滤算法DGCF(已开源)

加州大学提出对偶注意力RNN用于时间序列预估

宾大微软联合提出深层强化学习框架用于新闻推荐

中科大等提出深度注意力网络DAM用于捆绑推荐

浙大中科院微软等提出分层注意力网络SHAN用于序列推荐系统

加州大学提出时间间隔自注意力模型用于序列推荐(已开源)

普渡大学提出轻量级特征交互算法deeplight大幅加速ctr预估在线服务(已开源)

谷歌和加州大学提出多粒度量化embedding用于大规模类别特征表示