論文の概要: User Response Prediction in Online Advertising

• arxiv url: http://arxiv.org/abs/2101.02342v2
• Date: Tue, 23 Feb 2021 00:50:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 21:36:29.641734
• Title: User Response Prediction in Online Advertising
• Title（参考訳）: オンライン広告におけるユーザ応答予測
• Authors: Zhabiz Gharibshah, Xingquan Zhu
• Abstract要約: オンライン広告および関連レコメンダアプリケーションにおけるユーザ応答予測の包括的レビューを提供する。 私たちの本質的な目標は、オンライン広告プラットフォーム、ステークホルダ、データ可用性、およびユーザー応答予測の典型的な方法の徹底的な理解を提供することです。
• 参考スコア（独自算出の注目度）: 11.954966895950163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online advertising, as the vast market, has gained significant attention in various platforms ranging from search engines, third-party websites, social media, and mobile apps. The prosperity of online campaigns is a challenge in online marketing and is usually evaluated by user response through different metrics, such as clicks on advertisement (ad) creatives, subscriptions to products, purchases of items, or explicit user feedback through online surveys. Recent years have witnessed a significant increase in the number of studies using computational approaches, including machine learning methods, for user response prediction. However, existing literature mainly focuses on algorithmic-driven designs to solve specific challenges, and no comprehensive review exists to answer many important questions. What are the parties involved in the online digital advertising eco-systems? What type of data are available for user response prediction? How to predict user response in a reliable and/or transparent way? In this survey, we provide a comprehensive review of user response prediction in online advertising and related recommender applications. Our essential goal is to provide a thorough understanding of online advertising platforms, stakeholders, data availability, and typical ways of user response prediction. We propose a taxonomy to categorize state-of-the-art user response prediction methods, primarily focus on the current progress of machine learning methods used in different online platforms. In addition, we also review applications of user response prediction, benchmark datasets, and open-source codes in the field.
• Abstract（参考訳）: 巨大な市場であるオンライン広告は、検索エンジン、サードパーティーのウェブサイト、ソーシャルメディア、モバイルアプリなど、さまざまなプラットフォームで大きな注目を集めている。 オンラインキャンペーンの繁栄はオンラインマーケティングにおける課題であり、広告(ad)クリエイティビティへのクリック、製品へのサブスクリプション、アイテムの購入、オンライン調査による明示的なユーザーフィードバックなど、さまざまな指標を通じてユーザーの反応によって評価される。 近年,ユーザ応答予測のための機械学習手法を含む計算手法を用いた研究の数が大幅に増加していることが報告されている。 しかし、既存の文献は主に特定の課題を解決するためにアルゴリズム駆動設計に焦点を当てており、多くの重要な質問に答えるために包括的なレビューは存在しない。 オンラインデジタル広告エコシステムに関わる当事者は何か? ユーザ応答予測に利用可能なデータの種類は? 信頼性のある/または透明な方法でユーザ応答を予測するには? 本稿では,オンライン広告および関連するレコメンデーションアプリケーションにおけるユーザ応答予測の総合的なレビューを行う。 私たちの重要なゴールは、オンライン広告プラットフォーム、利害関係者、データ可用性、および典型的なユーザ応答予測方法について、徹底的に理解することです。 本稿では,さまざまなオンラインプラットフォームで使用されている機械学習手法の進歩を中心に,最先端のユーザ応答予測手法を分類する分類法を提案する。 さらに,この分野におけるユーザ応答予測,ベンチマークデータセット,オープンソースコードのアプリケーションについても検討する。

関連論文リスト

• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Sociotechnical Audits: Broadening the Algorithm Auditing Lens to Investigate Targeted Advertising [1.6422305456306596]
  本稿では,アルゴリズムとユーザ間の相互作用に着目した社会工学的監査の概念を提案する。 我々は,同意・補償された参加者による縦断的社会技術監査を行うためのプラットフォームであるIntervenrを開発した。 われわれはIntervenrを2週間にわたるオンライン広告の社会技術監査で展開し、パーソナライズされた広告ターゲティングがユーザーにとってより効果的であるという中心的な前提を調査した。
  論文  参考訳（メタデータ） (2023-08-30T05:26:47Z)
• Online Ad Procurement in Non-stationary Autobidding Worlds [10.871587311621974]
  本稿では,複数次元決定変数,帯域幅フィードバック,長期不確実な制約を用いたオンライン意思決定のための原始双対アルゴリズムを提案する。 提案アルゴリズムは, 逆数, 逆数, 周期的, エルゴディックな手順により, 調達結果が生成されると, 多くの世界では, 後悔の度合いが低いことを示す。
  論文  参考訳（メタデータ） (2023-07-10T00:41:08Z)
• Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
  我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。 ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
  論文  参考訳（メタデータ） (2023-04-06T05:20:16Z)
• Generating Persuasive Responses to Customer Reviews with Multi-Source Prior Knowledge in E-commerce [11.586256303135329]
  顧客レビューは通常、自分のオンラインショッピング体験に関する多くの情報を含んでいる。 各否定的なレビューに対して慎重にかつ説得力を持って回答し、その不利な効果を最小限に抑えることが不可欠である。 説得応答生成のためのマルチソースマルチアスペクト注意生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-20T06:20:45Z)
• Challenges and approaches to privacy preserving post-click conversion prediction [3.4071263815701336]
  この環境で変換モデルを学ぶ際の課題と制約について概説する。 本稿では,ポストグレード信号を利用したモデル学習手法を提案する。 実世界のデータに対してオフライン実験を用いることで、オプトインデータのみに依存するモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T21:36:01Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• Learning User Embeddings from Temporal Social Media Data: A Survey [15.324014759254915]
  我々は,簡潔な潜在ユーザ表現(a.k.a.)を学習する代表的作業について調査する。 ユーザー埋め込み)は、ソーシャルメディアユーザーの主な特徴を捉えることができる。 学習されたユーザー埋め込みは、その後、パーソナリティモデリング、自殺リスクアセスメント、購買判断予測など、さまざまな下流のユーザー分析タスクをサポートするために使用できます。
  論文  参考訳（メタデータ） (2021-05-17T16:22:43Z)
• Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
  現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。 これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
  論文  参考訳（メタデータ） (2021-01-23T08:53:15Z)
• Learning to Infer User Hidden States for Online Sequential Advertising [52.169666997331724]
  本稿では,これらの問題に対処するディープインテントシーケンス広告(DISA)手法を提案する。 解釈可能性の鍵となる部分は、消費者の購入意図を理解することである。
  論文  参考訳（メタデータ） (2020-09-03T05:12:26Z)
• Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
  本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。 提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。 実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
  論文  参考訳（メタデータ） (2020-06-13T07:02:08Z)

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。