其他分享
首页 > 其他分享> > Large-Scale Data-Driven Airline Market Influence Maximization

Large-Scale Data-Driven Airline Market Influence Maximization

作者:互联网

文章目录

1. 前言

前几天的论文阅读分享中我汇报的是这篇论文。感觉挺棒的,这里简单记录一下。

2. MIM

这里我将本文的Market Influence Maximization,简称为MIM问题。本文作者针对美国航空市场的收益问题提出了新的解决方案。提出了一个 Market Share Prediction Model以及后面的Market Influence Maximization两个部分的内容。本文模型和之前的模型的区别在于下面几个点:
在这里插入图片描述
当然,作者对比的部分只是 Market Share Prediction Model部分,以及其他论文中作者是怎么做的,而弱化了对MIM问题的说明。甚至在之前乃至之后的文章篇幅中均没有提到标题中的MIM问题的分析。而只是简单粗暴的定义了一个DNN模型,将输出的表示直接使用罗杰斯特函数来计算其比例:
在这里插入图片描述
在这里插入图片描述
这里的 m r , k m_{r, k} mr,k​就表示市场份额,也就是作者提出的Market Share Prediction Model部分。 f r , k f_{r,k} fr,k​可以看作是航班的一些属性构成的一个飞行频率矩阵。同时,这个矩阵中应该会糅杂网络结构信息,包括在这里插入图片描述
因为本文的模型框架为:
在这里插入图片描述
Budget Limit部分应该就是本文的重点部分。因为标题为MIM问题,故而作者需要将前面提出的Market Share Prediction Model转向MIM问题。首先定义了一个成本受限的IM问题:
在这里插入图片描述

最大化部分也就是利润,这里定义为 d e m a n d r demand_r demandr​,表示为航线 r r r的总乘客人数,而 m r , k m_{r, k} mr,k​表示航空公司 k k k在航线 r r r的市场份额。从直观上来讲确实可以表示航空公司的利润。这个公式也就是他本文标题所提出的MIM问题。

然后,定义了Budget Limit部分的内容。 c o s t r , k cost_{r,k} costr,k​表示航空公司 k k k在航线 r r r的单位运营成本, f r , k , f r e q f_{r,k,freq} fr,k,freq​表示航空公司 k k k在航线 r r r的飞行频率。单位运营成本乘以飞行频率,也就是最终的花费成本。

对于这个约束受限的极值问题,本文引入了拉格朗日求极值问题。将问题进行了转化。
在这里插入图片描述
上面的L也就是在拉格朗日极值问题的目标函数,因为在神经网络中为非连续函数,所以这里启发式的改写为了:
在这里插入图片描述
为了求极值问题,我们需要对式子进行求导工作,不妨先将整个式子写在一起:

在这里插入图片描述
然后对公式14进行求导:
在这里插入图片描述
也就是说,可以求出 λ \lambda λ:
在这里插入图片描述
然后将它回代到公式14中,可以得到:在这里插入图片描述
为了进一步简化这个公式,作者在论文中定义:在这里插入图片描述

上式公式8就可以简化为:
在这里插入图片描述

这里的 L L a g r a n g e L_{Lagrange} LLagrange​也就是最终的目标函数表示。

记 o ( A k ) o(\mathcal{A}_{k}) o(Ak​)为 o ′ o^{'} o′, c ( A k ) 2 2 \frac{c(\mathcal{A}_{k})^2}{2} 2c(Ak​)2​为 c ′ c^{'} c′,那么因为所求为最大化利润,也就是最大值,所知这里的 L L a g r a n g e L_{Lagrange} LLagrange​的一阶导数应该是小于0的,也就是说:
在这里插入图片描述
而 c c c所求为最大限制的接近成本,故而这里的 c ′ c^{'} c′为大于0的数。所以有:
在这里插入图片描述
因为求为一阶导数值为0的最大值,故而这里求近似的时候,其实 β \beta β也就是一个极小值。故而可以改写为:
在这里插入图片描述
我们这里再次回忆一下 c ( A k ) c(\mathcal{A}_{k}) c(Ak​)的表示:
在这里插入图片描述
我们所希望的是在约束下的最大值,所以我们希望花费无限接近 b u d g e t k budget_k budgetk​下的MIM。也就是说其实 c ( A k ) c(\mathcal{A}_{k}) c(Ak​)的表示也就是一个无限接近0的量。所以可以将公式12改写为:
在这里插入图片描述
进一步的,作者在论文中定义了一个自适应的更新梯度的算法,叫做AGA
在这里插入图片描述
我们这里关注while-do部分,也就是说当 c ( A k ) c(\mathcal{A}_{k}) c(Ak​)大于0的时候,也即是花费大于限制,此时需要用公式13来进行约束,也就是让 c ( A k ) c(\mathcal{A}_{k}) c(Ak​)接近于0。而反之,说明花费小于限制,所以这里就不需要进行约束 c ( A k ) c(\mathcal{A}_{k}) c(Ak​),直接进行频率矩阵 A k \mathcal{A}_{k} Ak​的梯度上升即可。

简单摘几个实验结果:

在这里插入图片描述
在这里插入图片描述

3. 感悟

确实给人一种眼前一新的这种感觉。感觉自己要多思考思考为什么可以这么做,这个问题的转化是怎么想出来的。可能这真的是领域不同,因为自己所从事的是社交网络,而在航空中的利润预测问题,乃至成本限制问题,真的就统一在了这个问题中。并且得到了很好的解决。

但是唯一的缺陷就在于本文没有代码,所以也无法尝试。接着我会尝试来复现一下这个论文,看看是否可迁移和转换。

标签:问题,Scale,MIM,本文,Ak,Maximization,Driven,mathcal,Market
来源: https://blog.csdn.net/qq_26460841/article/details/121156044