A Deep Learning Approach to Heterogeneous Consumer Aesthetics in Fast Fashion
创建于 更新于
摘要
本文提出并验证了一套可迁移的两阶段框架：先用基于购买记录的三塔（item / user / price）contrastive fine-tune 学习产品与用户的稠密嵌入，再把冻结的嵌入输入到结构化需求、供给与对数式 hedonic 模型中以量化审美对替代、定价与福利的影响 [page::0][page::3][page::11]. 在连贯的需求-供给估计中，作者用两类 latent-class 深度 logit 恢复出消费者级别的价格敏感性分布，并通过反演多产品 Bertrand-Nash 得到隐含边际成本与平均 Lerner 指数约 0.606 的供给结论 [page::15][page::26]. 基于嵌入的 hedonic Fisher 指数比未做质量调整的 matched-item Jevons 指数两年间少下跌约 9.9 个百分点（即存在显著的产品组合偏差），并用 conformal 预测带量化了冷启动定价的不确定性 [page::35][page::36]. 将每类内的审美投影向类中心收缩 1σ 的反事实表明：在再解算均衡價格下，产品审美差异的“塌缩”会导致企业利润大幅下落（约 −41.5% 的利润冲击），而消费者剩余仅小幅变化，说明利润高度依赖视觉差异化带来的市场权力 [page::28]. COVID-19 事件研究展示：嵌入划分出的产品/用户簇对冲击的响应跨度远超传统人口统计分组，嵌入能捕捉到人口统计信息之外的重要异质性维度 [page::5][page::46].
