論文の概要: Spending Money Wisely: Online Electronic Coupon Allocation based on Real-Time User Intent Detection

• arxiv url: http://arxiv.org/abs/2008.09982v1
• Date: Sun, 23 Aug 2020 07:19:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 03:03:50.198013
• Title: Spending Money Wisely: Online Electronic Coupon Allocation based on Real-Time User Intent Detection
• Title（参考訳）: お金を賢明に使う - リアルタイムユーザインテント検出に基づくオンライン電子クーポンアロケーション
• Authors: Liangwei Li, Liucheng Sun, Chenwei Weng, Chengfu Huo, Weijun Ren
• Abstract要約: 関連する基本的な問題の1つは、ユーザが注文を行う意思を最大化しながら、最小限のコストでE-Couponを提供する方法である。 成熟したEプラットフォーム上のレギュラーユーザの数は、しばしば数億に達するため、これは簡単な問題ではない。 Instantaneous Intent Detection Network (IIDN) を提案する。
• 参考スコア（独自算出の注目度）: 8.530934084017966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online electronic coupon (e-coupon) is becoming a primary tool for e-commerce platforms to attract users to place orders. E-coupons are the digital equivalent of traditional paper coupons which provide customers with discounts or gifts. One of the fundamental problems related is how to deliver e-coupons with minimal cost while users' willingness to place an order is maximized. We call this problem the coupon allocation problem. This is a non-trivial problem since the number of regular users on a mature e-platform often reaches hundreds of millions and the types of e-coupons to be allocated are often multiple. The policy space is extremely large and the online allocation has to satisfy a budget constraint. Besides, one can never observe the responses of one user under different policies which increases the uncertainty of the policy making process. Previous work fails to deal with these challenges. In this paper, we decompose the coupon allocation task into two subtasks: the user intent detection task and the allocation task. Accordingly, we propose a two-stage solution: at the first stage (detection stage), we put forward a novel Instantaneous Intent Detection Network (IIDN) which takes the user-coupon features as input and predicts user real-time intents; at the second stage (allocation stage), we model the allocation problem as a Multiple-Choice Knapsack Problem (MCKP) and provide a computational efficient allocation method using the intents predicted at the detection stage. We conduct extensive online and offline experiments and the results show the superiority of our proposed framework, which has brought great profits to the platform and continues to function online.
• Abstract（参考訳）: オンライン電子クーポン(e-coupon)は、電子商取引プラットフォームがユーザーを引きつける主要なツールになりつつある。 e-couponは従来のペーパークーポンのデジタル版で、顧客にディスカウントやギフトを提供する。 関連する根本的な問題の1つは、ユーザーが注文する意欲を最大化しながら、e-couponを最小限のコストで提供する方法である。 我々はこの問題をクーポン割当問題と呼ぶ。 成熟したeプラットフォーム上の正規ユーザ数は数億に達し、割り当てられるe-couponのタイプは複数であることが多いため、これは簡単な問題ではない。 政策空間は極めて大きく、オンラインアロケーションは予算の制約を満たす必要がある。 また、ポリシー作成プロセスの不確実性を高める異なるポリシーの下で、あるユーザの応答を観察することはできない。 以前の作業はこれらの課題に対処できません。 本稿では,クーポン割当タスクをユーザ意図検出タスクと割当タスクという2つのサブタスクに分解する。 そこで,本研究では,第1段階(検出段階)において,ユーザ・カウンポンの特徴を入力として捉え,ユーザ・リアルタイムの意図を予測する新たなInstantaneous Intent Detection Network (IIDN)を提案し,第2段階(アロケーション段階)では,アロケーション問題を,検出段階で予測されたインテントを用いて,MCKP(Multiple-Choice Knapsack Problem)としてモデル化し,効率的なアロケーション手法を提案する。 大規模なオンラインおよびオフラインの実験を行い、その結果、提案したフレームワークの優位性を示し、プラットフォームに大きな利益をもたらし、オンラインで機能し続けています。

関連論文リスト

• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Robust portfolio optimization model for electronic coupon allocation [6.729713185413412]
  クーポン割り当て問題に対して,顧客セグメンテーションに基づくロバストなポートフォリオ最適化モデルを適用する。 この結果から,実効的なクーポン割当のための有効なツールとして,ロバストなポートフォリオ最適化の可能性が開けた。
  論文  参考訳（メタデータ） (2024-05-21T15:30:25Z)
• User-Level Differential Privacy With Few Examples Per User [73.81862394073308]
  サンプルスカース方式では,各ユーザが少数のサンプルしか持たないため,以下の結果が得られる。 近似DPについては,任意の項目レベルDPアルゴリズムをユーザレベルDPアルゴリズムに汎用変換する。 ユーザレベル設定に指数的機構(McSherry, Talwar FOCS 2007)を適用するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-21T21:51:55Z)
• An End-to-End Framework for Marketing Effectiveness Optimization under Budget Constraint [25.89397524825504]
  予算制約下でのビジネス目標を直接最適化する新しいエンドツーエンドフレームワークを提案する。 我々の中核となる考え方は、マーケティング目標を表現し、勾配推定技術を用いて効率的に最適化する正規化器を構築することである。 提案手法は現在,ショートビデオプラットフォーム上で数億人のユーザに対して,マーケティング予算を配分するためにデプロイされている。
  論文  参考訳（メタデータ） (2023-02-09T07:39:34Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• LBCF: A Large-Scale Budget-Constrained Causal Forest Algorithm [11.82503645248441]
  予算制約の下で各ユーザに対して適切なインセンティブ(すなわち治療)を選択する方法が重要な研究課題である。 本稿では,大規模予算制約付き因果樹林 (LBCF) アルゴリズムと呼ばれる,予算制約下での新規な木に基づく治療選択手法を提案する。 当社のアプローチは,ユーザのキャンペーンエンゲージメント期間を増やすために,大規模なビデオプラットフォーム上で現実のシナリオに展開する。
  論文  参考訳（メタデータ） (2022-01-29T13:21:07Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Online Adversarial Attacks [57.448101834579624]
  我々は、実世界のユースケースで見られる2つの重要な要素を強調し、オンライン敵攻撃問題を定式化する。 まず、オンライン脅威モデルの決定論的変種を厳格に分析する。 このアルゴリズムは、現在の最良の単一しきい値アルゴリズムよりも、$k=2$の競争率を確実に向上させる。
  論文  参考訳（メタデータ） (2021-03-02T20:36:04Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• The Best of Many Worlds: Dual Mirror Descent for Online Allocation Problems [7.433931244705934]
  本稿では,意思決定者に対して未知の入力モデルを用いて,各要求に対する報酬とリソース消費を生成するデータ駆動型設定について考察する。 様々な入力モデルにおいて,どの入力に直面するかを知ることなく,優れた性能が得られるアルゴリズムの一般クラスを設計する。 我々のアルゴリズムはラグランジアン双対空間で動作し、オンラインミラー降下を用いて更新される各リソースに対して双対乗算器を保持する。
  論文  参考訳（メタデータ） (2020-11-18T18:39:17Z)
• Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective [26.18096797120916]
  ユーザエンゲージメントの向上とユーザブラウジングの促進という、潜在的に矛盾する2つの目標をトレードオフするためには、しばしば必要となる。 より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフする,フレキシブルで実用的なフレームワークを提案する。 このアプローチは大規模なEコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善が達成されている。
  論文  参考訳（メタデータ） (2020-06-02T09:02:51Z)

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。