Social Learning with Bounded Rationality: Negative Reviews Persist under Newest First

本文研究了一个基于评论的社交学习模型，其中客户在计算上受限，仅基于平台显示的前几条评论进行购买。在这种有限理性下，我们确定了评论排序策略可能会产生重大影响。特别是，流行的“最新评论优先”排序会导致负面评论比正面评论更长时间地持续作为最新评论。我们称之为“最新评论成本”，这种现象会使得长期收入无限地低于对照组，对照组中评论是为每个客户外生地随机抽取的。我们展示了最新评论成本的影响可以通过动态定价来缓解，动态定价允许价格取决于显示的评论集。在最优动态定价策略下，收入损失最多只有2倍。在此过程中，我们确定了最优动态定价的结构特性：价格应确保购买的概率始终相同，而不受评论状态的影响。我们还研究了一个扩展模型，其中客户更加关注最近的评论（并根据发布时间折扣旧评论），并且我们发现如果客户缓慢折扣，则最新评论仍不是最佳排序策略。最后，我们使用真实的评论数据集证实了我们的理论发现。我们发现，前几页评论的平均评分显著小于整体平均评分，这与我们的理论结果一致。

论文研究了在顾客只看前几篇评论的情况下，评论排序策略对购买决策和长期收益的影响。特别地，最新评论优先排序可能导致负面评论长期存在，从而降低收益。

最优动态定价策略可以缓解最新评论优先排序的影响，通过调整价格使得购买概率不受评论状态影响，最大化收益。

论文提出了Cost of Newest First现象，即最新评论优先排序可能导致负面评论长期存在，从而降低收益；论文通过理论分析和实验验证了该现象，并提出了最优动态定价策略缓解该现象；论文使用真实评论数据集进行了验证，并发现了与理论结果一致的现象。

相关研究包括评论排序策略、动态定价策略、顾客行为模型等方面的研究。其中一些论文包括《Online Consumer Reviews: Perspectives, Aspects and Applications》、《Dynamic Pricing in the Presence of Social Learning》等。