arXiv cs.AI· Xin Heng·· 11 小时前AI 评分18
StoBasket：面向贡献毛利的追加销售与交叉销售联合优化
StoBasket: Joint Upsell and Cross-Sell Optimization for Contribution Margin
AI 导读
StoBasket 提出联合随机购物篮编辑框架，用一个策略同时为现有购物篮选择替换与加购报价，按预期增量贡献毛利估值，并首次将追加销售与交叉销售响应耦合建模。在五个公开购物篮数据集的真实数据校准模拟中，StoBasket 在每种默认价格设置下都捕获了可达报价毛利的 0.5% 以内，真实响应落在模型族外时也在 0.7% 以内。
正文 · AI 翻译
摘要：零售推荐系统对相关性进行排序，但零售商赚取的是贡献毛利：追加销售赚取的是其替代商品之上的毛利差额，而交叉销售赚取的是其全部毛利。我们提出联合随机购物篮编辑，这是一种公式化方法，其中一个策略为现有购物篮选择替换和添加报价，按预期增量贡献毛利对其进行估值，并通过展示报价、接受报价和联合接受响应渠道将它们耦合起来。据我们所知，这是首个将追加销售和交叉销售响应耦合起来的公式化方法；此前的可分离处理是其零耦合特例。在基于五个公开购物篮数据集、以真实数据校准的模拟中，StoBasket 基本捕获了所有可获得的报价毛利：在每个默认价格设置下误差在 0.5% 以内，当真实响应位于其模型族之外时误差在 0.7% 以内。正确的经济核算带来最广泛的收益：按毛利加权的流行度方法最多有 11% 的可获得毛利未实现，而一个已发表的下一购物篮推荐系统则有 11-52% 未实现。联合选择在 Instacart 上增加了 10.2% 的可获得毛利，该平台上高级会员层级与附加商品强相关。当报价仅在同时购买时才产生收益时，最佳启发式方法损失 64%，而精确搜索保持在 0.5% 以内。对于结构化子类，我们刻画了分阶段策略何时失效，并给出一个精确优化器，它能在中位数 0.13 毫秒、最多 111 毫秒内求解每个测试过的真实购物篮。利润远在预测准确率之前就饱和：一个在 5,000 个随机化会话上训练的、结构正确的预测器与完美预测的差距在 0.06% 以内，而无信号预测器则损失 38%。同样的估计产生了一种决策感知的市场购物篮分析，其成本不随关联阶数增长。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22768 [cs.AI] |
| （或 arXiv:2610.22768v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22768 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xin Heng [查看邮箱]
[v1]
2026年10月16日星期五 00:19:43 UTC（112 KB）
来源：arXiv cs.AI · arxiv.org