从评论中快速学习和缓慢学习-研究论文

【文件属性】：
文件名称：从评论中快速学习和缓慢学习-研究论文
文件大小：922KB
文件格式：PDF
更新时间：2021-06-10 11:03:41
论文研究 本文从在线评论中开发了贝叶斯学习模型，并研究了产品质量渐近学习的条件和不同评分系统下的学习速度。 评级系统提供有关以前客户留下的评论的信息。 一系列潜在客户决定是否加入该平台。 在加入并观察产品的评级后，并以她的事前估价为条件，客户决定是否购买。 如果她购买，产品的真实质量、事前估价、事后特殊偏好条款和产品价格决定了她的整体满意度。 鉴于平台的评级系统，她决定根据她的整体满意度留下评论。 我们研究两类评分系统下的学习动态：完整历史，客户可以看到完整的评论历史，以及汇总统计，平台报告过去评论的一些汇总统计。 在这两种情况下，学习动态都因选择效应而变得复杂——购买商品的用户类型以及他们的整体满意度和评论取决于他们在购买时可用的信息。 我们为完整历史和汇总统计下的渐近学习提供了条件，并展示了如何使用汇总统计更难纠正选择效应。 以渐近学习为条件，学习的速度（速率）始终是指数级的，并且在两种类型的评级系统下都受相似的力量控制，尽管确切的速率不同。 使用这种特征，我们提供了几种不同类型的评级系统下的学习率。 我们表明，提供更多信息并不总是会导致更快的学习，但严格来说，更精细的评分系统总是可以的。 我们还说明了具有相同偏好分布的不同评分系统如何导致学习速度非常快或非常慢。