随着互联网技术,如自动匹配机制和推荐算法的快速发展,消费者的搜索成本降低,非热销产品获得更多的曝光,销量上升,且由于非畅销产品种类更为丰富,其聚合的销量可与畅销商品相匹配甚至更大,在销量-种类分布图上形成一条长长的尾巴,这即是长尾现象。长尾现象构成了作为长尾部分的利基产品实时动态定价的应用环境基础,利基产品的自动化动态定价已经成为企业尤其是电商平台收益管理重要的一部分。电商平台大数据应用场景下,利基产品的定价面临着越来越复杂的环境条件。一方面利基产品特征导致的其销售数据概率分布复杂且时变,另一方面其数据高维且较少。因此,常规的动态定价手段难以应对。近年来,强化学习理论中的多臂赌博机（Multi-armed Bandit,以下简称MAB）模型在动态定价领域取得了显著成效。因此,本文考虑基于MAB模型来研究针对利基产品的动态定价问题。首先,本文针对在线电子商务市场利基产品销售场景的O2O模式进行了分析,基于基础的MAB模型结合利基产品的特征构建了针对利基产品的实时动态定价模型。然后,从基于MAB的主流解法置信度上界（Upper Confidence Bound,以下简称UCB）进行改进和贝叶斯需求学习两个角度,设计了针对利基产品的动态定价算法。最后,构建了利基产品动态定价的仿真环境并结合真实数据进行了实验和结果分析。实验结果表明,本文基于UCB进行改进的求解算法和基于贝叶斯框架的算法在仿真环境中的表现良好,且应对真实数据的分布变化和随机性风险也有一定的鲁棒性。因此,这两个角度是切实可行的。且两个算法的结合在某些条件下也会带来更好的效果,对于大数据环境下的利基产品动态定价问题具有良好的应用价值。