CN110363628A - 一种针对单卖家多买家的数据定价模型 - Google Patents
一种针对单卖家多买家的数据定价模型 Download PDFInfo
- Publication number
- CN110363628A CN110363628A CN201910632960.2A CN201910632960A CN110363628A CN 110363628 A CN110363628 A CN 110363628A CN 201910632960 A CN201910632960 A CN 201910632960A CN 110363628 A CN110363628 A CN 110363628A
- Authority
- CN
- China
- Prior art keywords
- data
- seller
- cost
- buyer
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
Abstract
本发明公开了一种针对单卖家多买家的数据定价模型,本发明中,将数据的隐私保护程度和买家的偏好类型进行了数字化的衡量,并且充分的考虑到了买卖双方的收益当中,从而实现了保护数据的隐私性,制定个性化的价格组合,使得定价结果能够促进数据交易市场的发展。充分考虑了数据隐私性、价值独特性的数据定价方法,使得在数据交易市场中的数据定价过程更加合理有效,能够保证交易双方的权益,达到双赢,有着很大的实用价值。
Description
技术领域
本发明属于数据交易技术领域,具体涉及一种针对单卖家多买家的数据定价模型。
背景技术
随着互联网技术和物联网技术的发展,每天产生的数据量越来越大,人们逐渐开始认识到数据的重要性。政府部门使用数据预测人口增长,广告商利用数据对用户行为进行分析和刻画,金融行业用数据降低投资风险。数据的作用日益显现,目前数据相关产业已经成为热门研究内容。
然而,数据的使用者通常会面临没有数据可用的困境,不是因为数据不存在,而是因为数据不在自己的手中。比如广告商希望拥有用户的历史购买数据,然而广告商自身并没有这类数据,只能想办法从其他拥有这类数据的主体中获得。从而催生了数据交易市场。
数据交易市场中数据是唯一的商品,具有隐私性,价值独特性。本发明将经济学的相关算法运用到数据交易市场中的数据定价模型中,具体将契约理论应用到提出的数据定价模型。从而得到一个公平、合理、个性化的数据定价方法。
现阶段我国陆续建立起小部分数据交易平台,在现有的这些数据交易平台中,大多采用依据经验定价的方式,由平台直接给出价格。在现有的研究中有将博弈论、拍卖理论、锦标赛理论等理论应用到数据定价模型中,这些模型与经验定价相比较为合理,但不具备个性化优势,不能够充分的考虑到数据的价值独特性,即对于不同的使用者,同样的数据具有不同价值。同时,还应当考虑到数据的隐私性,不能直接对原始数据进行交易,需要对数据进行保护后交易,交易时需将隐私泄漏给卖家带来的风险计算到损失之内。
发明内容
本发明的目的在于:解决目前的数据定价模型不具备个性化优势,不能够充分的考虑到数据的价值独特性,且没有考虑到数据的隐私性的问题,提出了一种针对单卖家多买家的数据定价模型。
本发明采用的技术方案如下:
一种针对单卖家多买家的数据定价模型,所述模型构建方法如下:
将潜在买家的偏好进行分类并排序;
根据卖家基于存储、更新、获取数据的固定成本和基于隐私数据保护程度的可变成本建立成本函数,根据卖家的成本和价格建立收益函数,并用期望收益函数作为卖家的收益衡量;
根据数据不同的价格和精度设置数据的价值函数,然后对数据的价值函数和买家的偏好进行建模,得到买家的效用函数;
根据已有的卖家收益函数、收益衡量、数据价值函数、买家效用函数进行建模求解卖家的效用最大化。
进一步,所述卖家的成本函数建立的方法为:
先定义契约i中,卖家的总成本为Ci,可变成本为CV,固定成本为A2,三者的关系为如下所示:
Ci=CV+A2,
定义可变成本参数为A3,根据数据的精度,将可变成本建模为:
CV=A3·(1-δi)2
其中:δi为隐私数据保护程度;
根据可变成本的建模公式和总成本与可变成本的关系可以得到卖家的成本函数计算公式如下:
进一步,所述卖家的收益函数建立的方法为:
定义卖家所提供的偏好类型i的契约中,数据的价格和精度分别为Pi和ri,计算出对于契约i,卖家的收益函数如下:
Ui=Pi-Ci
定义βi表示类型i的买家出现的概率,得到卖家的期望收益US函数如下:
US=βL·(PL-CL)+βH·(PH-CH)
其中,PL,CL表示对于类型L设计的契约中,所规定的数据交易单价和卖家的单位成本,相应的PH,CH为针对类型H的买家所设计的契约中,规定的数据交易单价和卖家的单位成本。
进一步,所述数据的价值函数建立的方法为:
定于数据本身的价值为Vi,市场价格为B,由隐私保护带来的成本为CP,它们之间的计算公式如下:
Vi=B-CP
定义A1为由于隐私保护导致的精度下降而带来的成本系数,买家由于数据保护而造成的成本定义为:
δi为隐私数据保护程度,可以得到数据的价值函数计算公式如下所示:
进一步,所述买家的效用函数建立的方法为:
定义买家成本为数据价格Pi,收入为ub,契约i中的数据为买家带来的价值为VD,买家的效用ub计算公式如下所示:
ub=VD-Pi
买家的偏好类型为θi,数据本身的价值为Vi相关,计算公式如下:
VD=θi·Vi
再结合数据的价值函数计算公式得到买家的效用函数ub公式如下:
进一步,所述根据数据不同的价格和精度设置数据的价值函数,然后对数据的价值函数和买家的偏好进行建模,求解卖家的效用最大化的具体步骤为:
先根据已有的卖家收益函数、收益衡量、数据价值函数、买家效用函数,确定个人理性约束条件和激励相容约束条件;
再基于同时满足个人理性约束和激励相容约束条件的情况下,使用最优化方法,求解卖家的效用最大化。
进一步,所述求解卖家的效用最大化步骤前还包括最优化化简步骤。
进一步,所述求解卖家的效用最大化采用根据凸优化理论,使用KKT条件下的拉格朗日乘子法求解。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,将数据的隐私保护程度和买家的偏好类型进行了数字化的衡量,并且充分的考虑到了买卖双方的收益当中,从而实现了保护数据的隐私性,制定个性化的价格组合,使得定价结果能够促进数据交易市场的发展。充分考虑了数据隐私性、价值独特性的数据定价方法,使得在数据交易市场中的数据定价过程更加合理有效,能够保证交易双方的权益,达到双赢,有着很大的实用价值。
2、本发明中,通过确定个人理性约束条件和激励相容约束条件,并使用最优化方法,求解卖家的效用最大化。由此得到了偏好类型下的最优价格组合,卖家能获得最大期望效用,同时保证每位买家都能找到符合自己利益的契约,买到心仪的数据,促成买卖双方之间的交易顺利进行。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明方法示意图;
图2为本发明实施例1中卖家针对买家给出不同的价格和数据保护程度组合的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本发明较佳实施例提供的一种针对单卖家多买家的数据定价模型,所述模型构建方法为:
1、将潜在买家的偏好进行分类并排序;
2、根据卖家基于存储、更新、获取数据的固定成本和基于隐私数据保护程度的可变成本建立成本函数,根据卖家的成本和价格建立收益函数,并用期望收益函数作为卖家的收益衡量;
3、根据数据不同的价格和精度设置数据的价值函数,然后对数据的价值函数和买家的偏好进行建模,得到买家的效用函数;
4、根据已有的卖家收益函数、收益衡量、数据价值函数、买家效用函数进行建模求解卖家的效用最大化。
如图1所示,为整个方法的总体流程图,本发明包括市场调研、卖家参数设置、买家参数设置、模型结果输出四大步骤,每个大步骤下包含2-3个小步骤。其中市场调研是为了确定当前市场中的买家类别,以使模型得到的价格组合更能适应市场;卖家参数设置和买家参数设置是指本发明提出的一种充分考虑数据隐私性,价值独特性的针对数据交易市场中数据定价方法的具体体现。
如图2所示,卖家首先根据市场调研得到当前数据的买家偏好程度,将偏好程度划分成不同类型,然后根据本发明所提出的定价方法,针对每一种买家偏好程度的类型给出不同的价格和数据保护程度的组合。根据本发明所设计的定价方法,能够促使买家选择为自己所属偏好程度的类型而设计的组合方式。
具体地,当偏好程度划分两种类型时,用θL和θH分别表示买家的两种偏好程度,并且θL<θH,即类型为L的买家对于当前数据的偏好程度小于类型为H的买家。对于每种类型的买家,卖家将会根据本发明提供的定价方法,设计一套包含价格Pi和数据的保护程度δi的契约(其中i∈{L,H})。
对于卖家而言,卖家参数设置具体如下:
2.1设置成本函数。卖家的成本由固定成本和可变成本组成,其中可变成本与数据的隐私保护程度相关。隐私数据保护程度δi越高,数据的精度ri越低,二者的关系为ri=1-δi。
成本函数的设置具体步骤如下所示:
2.1.1定义偏好类型i的契约中,卖家的总成本为Ci,可变成本为CV,固定成本为A2,则三者的关系为如下所示:
Ci=CV+A2
2.1.2定义可变成本参数为A3,根据数据的精度,可以将可变成本建模为如下所示:
CV=A3·(1-δi)2
2.1.3根据可变成本的公式和总成本的关系可以得到,卖家的成本计算公式如下所示:
2.2设置卖家的效用函数。由于买家的总数不能确定,所以采用期望收益作为卖家的效用衡量。具体步骤如下所示:
2.2.1在卖家所提供的偏好类型i的契约中,数据的价格和精度分别为Pi和ri,可以计算出对于契约i,卖家的收益如下所示:
Ui=Pi-Ci
2.2.2定义βi表示类型i的买家出现的概率,根据概率论相关内容可以得到卖家的期望收益US如下所示:
US=βL·(PL-CL)+βH·(PH-CH)
其中,PL,CL表示对于类型L设计的契约中,所规定的数据交易单价和卖家的单位成本,相应的PH,CH为针对类型H的买家所设计的契约中,规定的数据交易单价和卖家的单位成本。
得到卖家的成本和收益函数后,再计算买家的成本和收益函数。由于数据具有价值独特性,即同样的数据对于不同的买家会有不同的价值,因此在制定买家的效用函数时,需要考虑到买家的偏好。数据还具有隐私性,对数据添加保护之后,不可避免的会导致数据的精度降低,不同的买家对于数据的精度有不同的需求,因此在制定效用函数时,除了要考虑到偏好,还要考虑到数据的价值。买家效用函数的具体计算情况如下所示:
3.1设置数据的价值函数。数据本身的价值Vi与数据的精度和数据的市场价格B密切相关,具体的计算步骤如下所示:
3.1.1当数据被添加保护后会降低数据的精度,从而影响到买家的效用,因此数据本身的价值Vi,与市场价格B和由保护带来的成本CP之间的计算公式如下所示:
Vi=B-CP
3.1.2定义A1为由于隐私保护导致的精度下降而带来的成本系数,买家由于数据保护而造成的成本定义为如下所示:
3.1.3根据3.1.1和3.1.2中的计算公式,可以得到数据的价值函数计算公式如下所示:
3.2设置买家的效用函数。每一类买家的效用函数和契约中的价格、数据精度、自己的偏好等相关,具体的计算步骤如下所示:
3.2.1对于买家而言,其成本为获取数据所花费的数据价格Pi,其收入为ub和契约i中的数据为买家带来的价值VD,因此买家的效用ub计算公式如下所示:
ub=VD-Pi
3.2.2契约i中的数据为买家带来的价值VD,与自己的偏好类型θi和数据本身的价值Vi相关,计算公式如下所示:
VD=θi·Vi
3.2.3根据3.2.1、3.2.2和3.1.1中的公式,可以得到买家的效用函数ub公式,如下所示:
当得到买卖双方的参数之后,可以进行优化建模,通过最优化方法,求得一个能够使买卖双方获益的定价结果。其中包括制定个人理性约束、制定激励相容约束和求解三个步骤。具体如下:
4.1制定个人理性约束。个人理性约束是指,在完全理性人假设下,买家只会签订效用为非负的契约,即有效的契约必须满足让买家收到非负效用的条件。根据3.2.3中买家效用的计算公式,可以得到当偏好类型n=2时,个人理性约束的计算方法如下所示:
θH·VH-PH≥0
θL·VL-PL≥0
其中,θH,θL表示买家的偏好程度,PH,PL和VH,VL分别表示对于两种类型买家所设计的契约中,规定的数据交易单价和数据本身的价值。
4.2制定激励相容约束。激励相容约束是指卖家要提供足够的激励,促使买家H(或L)选择签订针对其类型H(或L)专门设计的契约,而不是去选择其他类型的契约。由此,则需要在设计交易算法时,让每种类型的买家,只有在签订符合自己类型的契约时,才能收获到最大的效用。根据3.2.3中买家效用的计算公式,可以得到当买家有两种偏好程度时,激励相容约束的计算方法如下所示:
θH·VH-PH≥0
θL·VL-PL≥0
4.3根据4.2和4.1中的约束和契约理论,最大化卖家效用的优化方程可以写为如下所示:
US=max{βL·(PL-CL)+βH·(PH-CH)}
s.t.
θH·VH-PH≥θH·VL-PL
θL·VL-PL≥θL·VH-PH
θH·VH-PH≥0
θL·VL-PL≥0
其中,前两个不等式约束来源于类型H,L的买家的激励相容约束,后两个不等式约束来源于类型H,L的买家的个人理性约束。目标为卖家的期望效用最大。
4.4在4.3中给出了制定数据价格的优化方程,可以根据凸优化相关理论对其进行化简求解,具体的求解过程如下:
4.4.1首先对4.3中的第三条约束进行化简,可以证明在第一条约束和第四条约束满足的情况下,第三条约束自动满足,具体的证明过程如下:
4.4.1.1联立4.3中的前两个约束,可以得到如下公式:
(θH-θL)·(VH-VL)≥0
其中,数据价值函数VH为凹函数,其性质是随着数据保护程度的增加而减小,同时有θL<θH,可以得到VH≥VL,所以有δH≤δL,根据δ=1-r可知,rH≥rL。
将得到的rH≥rL代入4.3的约束中,进行如下推导:
θH·VH-PH≥θH·VL-PL
≥θL·VL-PL
≥0
说明,如果类型L的买家能够满足个人理性约束,则类型H的买家也一定能够满足个人理性约束,即类型H的个人理性约束可以被自动满足。经过证明,可以将4.3中的四个约束条件化简为三个约束。
4.4.1.2可以通过反证法证明4.3中的第四条约束是紧的,即当且仅当取等号时成立。
对于类型L的个人理性约束,假设存在针对类型L的最优契约(δ′L,P′L),使得类型L的买家效用为正,即θL·VL(δ′L)-P′L>0。对于卖家而言,为了获取更多的效用,可以在不违反个人理性约束的前提下提高P′L到P″L,使得θL·VL(δ′L)-P″L=0,达到个人理性约束的最低要求,此时卖家获取的效用最多。而P″L>P′L,所以(δ′L,P′L)不是最优契约。由此可以得出在最优解中,类型L的个人理性约束一定是紧的。即4.3中的第四条约束可以化简为如下所示:
θL·VL-PL=0
4.4.1.3类似地,可以通过反证法证明4.3中的第一条约束是紧的。
假设存在类型H的最优契约(δ′H,P′H),使得θH·V′H-P′H>θH·VL-PL,则同样的,4.4.1.1证明了只要类型L的个人理性约束满足,类型H的个人理性约束会被自动满足。因此卖家为了获取更多的效用,可以在不违反类型L的个人理性约束的情况下,提高P′H,直到找到一个P″H使得θH·V′H-P″H=θH·VL-PL为止。所以(δ′H,P′H)不是最优契约,在最优契约中类型H的激励相容约束一定是紧的。即4.3中的第一条约束可以化简为如下所示:
θH·VH-PH=θH·VL-PL
4.4.1.4可以证明如果类型H的激励相容约束是紧的,那么类型L的激励相容约束可以被自动满足。对4.4.1.3中化简后的条件进行推导,如下所示:
可以由4.4.1.3中的约束经过推导得到4.3中的第二条约束,由此证明,如果4.4.1.3中类型H的激励相容约束能够满足,那么4.3中的第二条约束也可以被满足。
经过以上几个步骤的化简,可以讲4.3中的优化问题化简为如下所示:
US=max{βL·(PL-CL)+βH·(PH-CH)}
s.t.
θL·VL-PL=0
θH·VH-PH=θH·VL-PL
4.4.2接下来对化简后的问题进行求解。根据凸优化理论,可以使用KKT条件下的拉格朗日乘子法求解。具体求解步骤如下所示,
4.4.2.1写出该问题的的拉格朗日方程,如下所示:
φ=βL·(PL-CL)+(1-βL)·(PH-CH)
+λ1·(θLVL-PL)
+λ2·(θHVH-PH-θHVL+PL)
4.4.2.2分别计算拉格朗日方程的一阶偏导数,如下所示:
4.4.2.3令4.4.2.2中的一阶偏导数为0,并代入ri=1-δi,可以计算得到最优解,如下所示:
由此得到了两种类型下的最优价格组合,卖家要给所有前来购买的买家均提供两种契约只有这样,卖家才能获得最大期望效用,同时保证每位买家都能找到符合自己利益的契约,买到心仪的数据,促成买卖双方之间的交易顺利进行。
4.5对已经求得的最优解进行验证,只有4.4.2.3中的最优解能够同时满足个人理性约束和激励相容约束时,才能保证交易的正常进行。具体的验证过程如下所示:
4.5.1验证类型H买家的激励相容约束满足,将类型H的最优解代入类型H的的激励相容约束中,可以得到如下推导:
证明4.3中的第一条约束可以满足。
4.5.2验证类型L买家的激励相容约束满足,将类型L的最优解代入类型L的的激励相容约束中,可以得到如下推导:
其中因为所以可以得到 从而类型L的激励相容约束满足。
4.5.3验证类型H买家的个人理性约束满足,将类型H的最优解代入类型H的的个人理性约束中,可以得到如下推导:
证明4.3中的第四条约束可以满足。
4.5.4验证类型L买家的个人理性约束满足,将类型L的最优解代入类型L的的个人理性约束中,可以得到如下推导:
证明4.3中的第三条约束可以满足。
本发明基于大数据交易市场,将经济学理论融入到数据交易市场中的定价方法中,用更合理的定价方法取代原有的依据经验定价的方法。从而使得定价结果更能符合买卖双方的利益。并且给出了证明,该方法所给出的定价结果能够满足个人理性约束和激励相容约束。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种针对单卖家多买家的数据定价模型,其特征在于:所述模型构建方法如下:
将潜在买家的偏好进行分类并排序;
根据卖家基于存储、更新、获取数据的固定成本和基于隐私数据保护程度的可变成本建立成本函数,根据卖家的成本和价格建立收益函数,并用期望收益函数作为卖家的收益衡量;
根据数据不同的价格和精度设置数据的价值函数,然后对数据的价值函数和买家的偏好进行建模,得到买家的效用函数;
根据已有的卖家收益函数、收益衡量、数据价值函数、买家效用函数进行建模求解卖家的效用最大化。
2.根据权利要求1所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述卖家的成本函数建立的方法为:
先定义契约i中,卖家的总成本为Ci,可变成本为CV,固定成本为A2,三者的关系为如下所示:
Ci=CV+A2,
定义可变成本参数为A3,根据数据的精度,将可变成本建模为:
CV=A3·(1-δi)2
其中:δi为隐私数据保护程度;
根据可变成本的建模公式和总成本与可变成本的关系可以得到卖家的成本函数计算公式如下:
Ci=A2+A3·(1-δi)2
=A2+A3·ri 2。
3.根据权利要求1所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述卖家的收益函数建立的方法为:
定义卖家所提供的偏好类型i的契约中,数据的价格和精度分别为Pi和ri,计算出对于契约i,卖家的收益函数如下:
Ui=Pi-Ci
定义βi表示类型i的买家出现的概率,得到卖家的期望收益US函数如下:
US=βL·(PL-CL)+βH·(PH-CH)
其中,PL,CL表示对于类型L设计的契约中,所规定的数据交易单价和卖家的单位成本,相应的PH,CH为针对类型H的买家所设计的契约中,规定的数据交易单价和卖家的单位成本。
4.根据权利要求1所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述数据的价值函数建立的方法为:
定于数据本身的价值为Vi,市场价格为B,由隐私保护带来的成本为CP,它们之间的计算公式如下:
Vi=B-CP
定义A1为由于隐私保护导致的精度下降而带来的成本系数,买家由于数据保护而造成的成本定义为:
δi为隐私数据保护程度,可以得到数据的价值函数计算公式如下所示:
5.根据权利要求1所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述买家的效用函数建立的方法为:
定义买家成本为数据价格Pi,收入为ub,契约i中的数据为买家带来的价值为VD,买家的效用ub计算公式如下所示:
ub=VD-Pi
买家的偏好类型为θi,数据本身的价值为Vi相关,计算公式如下:
VD=θi·Vi
再结合数据的价值函数计算公式得到买家的效用函数ub公式如下:
6.根据权利要求1所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述根据数据不同的价格和精度设置数据的价值函数,然后对数据的价值函数和买家的偏好进行建模,求解卖家的效用最大化的具体步骤为:
先根据已有的卖家收益函数、收益衡量、数据价值函数、买家效用函数,确定个人理性约束条件和激励相容约束条件;
再基于同时满足个人理性约束和激励相容约束条件的情况下,使用最优化方法,求解卖家的效用最大化。
7.根据权利要求6所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述求解卖家的效用最大化步骤前还包括最优化化简步骤。
8.根据权利要求1或6所述的一种针对单卖家多买家的数据定价模型,其特征在于:所述求解卖家的效用最大化采用根据凸优化理论,使用KKT条件下的拉格朗日乘子法求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632960.2A CN110363628A (zh) | 2019-07-12 | 2019-07-12 | 一种针对单卖家多买家的数据定价模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632960.2A CN110363628A (zh) | 2019-07-12 | 2019-07-12 | 一种针对单卖家多买家的数据定价模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363628A true CN110363628A (zh) | 2019-10-22 |
Family
ID=68219343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910632960.2A Pending CN110363628A (zh) | 2019-07-12 | 2019-07-12 | 一种针对单卖家多买家的数据定价模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363628A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767021A (zh) * | 2021-01-13 | 2021-05-07 | 南京航空航天大学 | 一种基于区块链的共享汽车数据市场的数据定价方法 |
WO2021179496A1 (zh) * | 2020-03-10 | 2021-09-16 | 南方电网科学研究院有限责任公司 | 一种数据交易方法及数据交易系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367903A (zh) * | 1999-06-30 | 2002-09-04 | 西尔弗布鲁克研究股份有限公司 | 提交报价的方法和系统 |
US20170200209A1 (en) * | 2016-01-08 | 2017-07-13 | Facebook, Inc. | Providing structured data in real-time communications |
CN108875999A (zh) * | 2018-04-27 | 2018-11-23 | 湖北工业大学 | 一种独立非对称信息下直接能源交易动态契约激励方法 |
CN109993558A (zh) * | 2017-12-30 | 2019-07-09 | 成都标制文化创意有限公司 | 一种互联网交易中协商定价的方法 |
-
2019
- 2019-07-12 CN CN201910632960.2A patent/CN110363628A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367903A (zh) * | 1999-06-30 | 2002-09-04 | 西尔弗布鲁克研究股份有限公司 | 提交报价的方法和系统 |
US20170200209A1 (en) * | 2016-01-08 | 2017-07-13 | Facebook, Inc. | Providing structured data in real-time communications |
CN109993558A (zh) * | 2017-12-30 | 2019-07-09 | 成都标制文化创意有限公司 | 一种互联网交易中协商定价的方法 |
CN108875999A (zh) * | 2018-04-27 | 2018-11-23 | 湖北工业大学 | 一种独立非对称信息下直接能源交易动态契约激励方法 |
Non-Patent Citations (1)
Title |
---|
LING TIAN等: "Optimal Contract-based Mechanisms for Online Data Trading Markets", 《 IEEE INTERNET OF THINGS JOURNAL》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179496A1 (zh) * | 2020-03-10 | 2021-09-16 | 南方电网科学研究院有限责任公司 | 一种数据交易方法及数据交易系统 |
CN112767021A (zh) * | 2021-01-13 | 2021-05-07 | 南京航空航天大学 | 一种基于区块链的共享汽车数据市场的数据定价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guerrieri et al. | Dynamic adverse selection: A theory of illiquidity, fire sales, and flight to quality | |
Kellner et al. | An a posteriori decision support methodology for solving the multi-criteria supplier selection problem | |
Jaskowski et al. | Assessing contractor selection criteria weights with fuzzy AHP method application in group decision environment | |
US7680686B2 (en) | System and methods for business to business price modeling using price change optimization | |
US11004148B2 (en) | Coupon blending of a swap portfolio | |
JPH11504455A (ja) | 満足度密度プロファイルを利用したかけあわせネットワーク | |
Zhang et al. | Statistical arbitrage mining for display advertising | |
Bu et al. | Estimating option implied risk‐neutral densities using spline and hypergeometric functions | |
Armstrong et al. | Asymmetric reporting | |
Escaith | Accumulated trade costs and their impact on the development of domestic and international value chains | |
Wu et al. | A novel two-stage method for matching the technology suppliers and demanders based on prospect theory and evidence theory under intuitionistic fuzzy environment | |
Benigno et al. | Optimal policy for macrofinancial stability | |
CN110363628A (zh) | 一种针对单卖家多买家的数据定价模型 | |
CN115423538A (zh) | 新品销量数据的预测方法及装置、存储介质、电子设备 | |
Fukker et al. | Contagion from market price impact: a price-at-risk perspective | |
Wei | A machine learning algorithm for supplier credit risk assessment based on supply chain management | |
Lommers et al. | Market Making in NFTs | |
Anadol et al. | Valuing private companies: A DEA approach | |
Deng et al. | Revenue-incentive tradeoffs in dynamic reserve pricing | |
Koppius et al. | Electronic multidimensional auctions and the role of information feedback | |
Lee | The Assessment for Performance of M&As Using DEA/MPI Approach with BSC Indicators. | |
Dybczak et al. | Supply-Side Performance and Structure in the Czech Republic | |
Anglin | The value and liquidity effects of a change in market conditions | |
Muthoni et al. | Extraction of zero coupon yield curve for Nairobi securities exchange: finding the best parametric model for East African securities markets | |
Ando | Bayesian corporate bond pricing and credit default swap premium models for deriving default probabilities and recovery rates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |