論文の概要: Online Joint Bid/Daily Budget Optimization of Internet Advertising Campaigns

• arxiv url: http://arxiv.org/abs/2003.01452v1
• Date: Tue, 3 Mar 2020 11:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 21:59:07.007483
• Title: Online Joint Bid/Daily Budget Optimization of Internet Advertising Campaigns
• Title（参考訳）: インターネット広告キャンペーンにおけるオンライン共同予算最適化
• Authors: Alessandro Nuara, Francesco Trov\`o, Nicola Gatti and Marcello Restelli
• Abstract要約: 複数のチャンネルにまたがるペイ・パー・クリック広告キャンペーンのオンライン共同入札/日次予算最適化の自動化問題について検討する。 どのキャンペーンでも、Gaussian Processesによる入札のクリック数と日々の予算に依存しています。 我々は4つのアルゴリズムを設計し、O(sqrtT)として高い確率で上界した後悔に苦しむことを示す。 我々は,1年以上に1日平均1000ユーロを消費した実世界のアプリケーションにおいて,我々のアルゴリズムの採用結果を提示する。
• 参考スコア（独自算出の注目度）: 115.96295568115251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pay-per-click advertising includes various formats (\emph{e.g.}, search, contextual, social) with a total investment of more than 200 billion USD per year worldwide. An advertiser is given a daily budget to allocate over several, even thousands, campaigns, mainly distinguishing for the ad, target, or channel. Furthermore, publishers choose the ads to display and how to allocate them employing auctioning mechanisms, in which every day the advertisers set for each campaign a bid corresponding to the maximum amount of money per click they are willing to pay and the fraction of the daily budget to invest. In this paper, we study the problem of automating the online joint bid/daily budget optimization of pay-per-click advertising campaigns over multiple channels. We formulate our problem as a combinatorial semi-bandit problem, which requires solving a special case of the Multiple-Choice Knapsack problem every day. Furthermore, for every campaign, we capture the dependency of the number of clicks on the bid and daily budget by Gaussian Processes, thus requiring mild assumptions on the regularity of these functions. We design four algorithms and show that they suffer from a regret that is upper bounded with high probability as O(sqrt{T}), where T is the time horizon of the learning process. We experimentally evaluate our algorithms with synthetic settings generated from real data from Yahoo!, and we present the results of the adoption of our algorithms in a real-world application with a daily average spent of 1,000 Euros for more than one year.
• Abstract（参考訳）: ペイ・パー・クリック広告には様々なフォーマット(例えば、検索、コンテクスト、ソーシャル)が含まれ、全世界で年間2000億米ドル以上を投資している。 広告主には、広告、ターゲット、チャンネルを主に区別する、数千、数千以上のキャンペーンを割り当てる日々の予算が与えられる。 さらに、パブリッシャーは、広告の表示方法とオークションの仕組みを用いて、広告主が各キャンペーンに毎日設定する入札方法を選択し、支払いたいクリックあたりの最大金額と、投資する日々の予算のごく一部に対応する。 本稿では,複数チャンネルにわたるクリック単価広告キャンペーンのオンライン共同入札/デイリー予算最適化の自動化に関する課題について検討する。 我々は、この問題を組合せ半帯域問題として定式化し、これは毎日、多重ホイス・クナプサック問題の特別なケースを解く必要がある。 さらに,各キャンペーンにおいて,ガウス的プロセスによる入札数と日々の予算の依存性を把握し,これらの機能の規則性に対する軽度な仮定を要求できる。 我々は4つのアルゴリズムを設計し、Tが学習過程の時間的地平線であるO(sqrt{T})として高い確率で上限付けられた後悔に苦しむことを示す。 我々は,Yahoo!の実際のデータから生成した合成セッティングを用いて,我々のアルゴリズムを実験的に評価し,本アルゴリズムを実世界のアプリケーションに導入した結果を1年以上にわたって平均1000ユーロで評価した。

関連論文リスト

• HiBid: A Cross-Channel Constrained Bidding System with Budget Allocation by Hierarchical Offline Deep Reinforcement Learning [31.88174870851001]
  階層型オフライン深層強化学習(DRL)フレームワーク「HiBid」を提案する。 HiBidは、非競争的な予算配分のための補助的損失を備えた高レベルプランナーで構成されている。 チャネル間CPC制約を満たすためにCPC誘導動作選択機構を導入する。
  論文  参考訳（メタデータ） (2023-12-29T07:52:46Z)
• Multi-Platform Budget Management in Ad Markets with Non-IC Auctions [6.037383467521294]
  オンライン広告市場では、予算に制約のある広告主は、様々なプラットフォームでのオークションで繰り返し入札することで、広告の配置を取得する。 予算制約がある場合、インセンティブに適合するかもしれない、あるいはそうでないかもしれない一連のオークションにおいて、入札を最適に行う戦略を提案する。 当社の戦略は、広告主が期待する予算制約を満たしつつ、オークション全体で期待される全ユーティリティを最大化する。
  論文  参考訳（メタデータ） (2023-06-12T18:21:10Z)
• Multi-channel Autobidding with Budget and ROI Constraints [36.84838543736745]
  広告主が全チャンネルの総収益率(ROI)と予算制約を満たすとともに、総収益率を最大化する方法について検討する。 実際には、広告主は制御を持たないため、グローバルに最適化することはできない。 本稿では,大域的最適問題の変換を近似した,チャネル単位の予算を生成する効率的な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-03T03:38:19Z)
• Autobidders with Budget and ROI Constraints: Efficiency, Regret, and Pacing Dynamics [53.62091043347035]
  オンライン広告プラットフォームで競合するオートバイディングアルゴリズムのゲームについて検討する。 本稿では,全ての制約を満たすことを保証し,個人の後悔を解消する勾配に基づく学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-30T21:59:30Z)
• A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising [53.636153252400945]
  本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。 当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
  論文  参考訳（メタデータ） (2021-06-11T08:07:14Z)
• Applying Multi-armed Bandit Algorithms to Computational Advertising [0.0]
  各種オンライン学習アルゴリズムの性能について検討し,Webユーザに対して最も高いコンバージョン率の広告/フェーラを識別・表示する。 本稿では,機械学習における古典的パラダイムであるマルチアーメッド帯域問題として,広告選択問題を定式化する。 本稿は、2011年から2015年までの計算広告分野における我々の発見について紹介する。
  論文  参考訳（メタデータ） (2020-11-22T03:23:13Z)
• A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
  リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。 本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-22T18:36:41Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)
• Optimal Allocation of Real-Time-Bidding and Direct Campaigns [10.888918892489638]
  我々は、Webパブリッシャがリアルタイム入札(即ち、リアルタイムオークションで販売された広告から)を通じて得られる収益を最適化する問題を、直接的に(事前に合意された契約を通じて販売された広告から)検討する。 本稿では,リアルタイム入札収益を最大化しつつ,出版社が直接キャンペーンを行うための最適な戦略を構築するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T10:44:56Z)
• Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
  悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。 悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。 また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
  論文  参考訳（メタデータ） (2020-02-10T15:04:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。