論文の概要: LinkLouvain: Link-Aware A/B Testing and Its Application on Online Marketing Campaign

• arxiv url: http://arxiv.org/abs/2102.01902v1
• Date: Wed, 3 Feb 2021 06:45:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:10:24.515823
• Title: LinkLouvain: Link-Aware A/B Testing and Its Application on Online Marketing Campaign
• Title（参考訳）: LinkLouvain: リンク対応A/Bテストとオンラインマーケティングキャンペーンへの応用
• Authors: Tianchi Cai, Daxi Cheng, Chen Liang, Ziqi Liu, Lihong Gu, Huizhi Xie, Zhiqiang Zhang, Xiaodong Zeng, Jinjie Gu
• Abstract要約: このようなニーズに対してA/Bテストが実施されるのに対して、ユーザインタラクションの存在は通常のA/Bテストに干渉をもたらす可能性がある。 リンク予測の助けを借りて、グラフ干渉を最小限に抑えるネットワークA/Bテスト手法LinkLouvainを設計する。 提案手法は,他の方法と比較して高い性能を達成し,オンラインマーケティングキャンペーンに投入する。
• 参考スコア（独自算出の注目度）: 13.088286345323288
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A lot of online marketing campaigns aim to promote user interaction. The average treatment effect (ATE) of campaign strategies need to be monitored throughout the campaign. A/B testing is usually conducted for such needs, whereas the existence of user interaction can introduce interference to normal A/B testing. With the help of link prediction, we design a network A/B testing method LinkLouvain to minimize graph interference and it gives an accurate and sound estimate of the campaign's ATE. In this paper, we analyze the network A/B testing problem under a real-world online marketing campaign, describe our proposed LinkLouvain method, and evaluate it on real-world data. Our method achieves significant performance compared with others and is deployed in the online marketing campaign.
• Abstract（参考訳）: 多くのオンラインマーケティングキャンペーンはユーザーインタラクションを促進することを目的としている。 キャンペーン戦略の平均治療効果(ATE)は、キャンペーン全体で監視する必要があります。 このようなニーズに対してA/Bテストが実施されるのに対して、ユーザインタラクションの存在は通常のA/Bテストに干渉をもたらす可能性がある。 リンク予測の助けを借りて,ネットワークa/bテスト手法linklouvainを設計,グラフ干渉を最小限に抑え,キャンペーンのateの正確かつ健全な推定を行う。 本論文では,実世界オンラインマーケティングキャンペーンにおけるネットワークA/Bテスト問題を解析し,提案したLinkLouvain手法を記述し,実世界データを用いて評価する。 本手法は他の手法に比べて大きな性能を発揮し,オンラインマーケティングキャンペーンに展開する。

関連論文リスト

• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• AutoOffAB: Toward Automated Offline A/B Testing for Data-Driven Requirement Engineering [0.7252027234425334]
  「オフラインA/Bテスト」が注目され、過去の記録データを推定し、新技術のオフライン評価を行うことを目指している。 本稿では,最新のログに対してオフラインA/Bテストの変種を自動的に実行し,オフライン評価結果を更新するAutoOffABを提案する。
  論文  参考訳（メタデータ） (2023-12-17T06:49:14Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• Hierarchical Capsule Prediction Network for Marketing Campaigns Effect [8.925783896679267]
  実際の産業シナリオにおけるマーケティングキャンペーンの効果予測は非常に複雑で難しい。 本稿では,その効果予測タスクに係わるパースツリーのような構造を詳細に解析する。 さらに,マーケティングキャンペーンの効果を予測する階層型カプセル予測ネットワーク(HapNet)を構築した。
  論文  参考訳（メタデータ） (2022-08-22T07:39:50Z)
• A Unified Framework for Campaign Performance Forecasting in Online Display Advertising [9.005665883444902]
  解釈可能で正確な結果により、広告主はキャンペーン基準を管理し、最適化することができる。 新しいフレームワークは、様々な入札型の下で履歴ログのキャンペーンパフォーマンスを統一的なリプレイアルゴリズムで再現する。 手法は、関連する予測指標間の混合キャリブレーションパターンをキャプチャして、推定結果を真にマッピングする。
  論文  参考訳（メタデータ） (2022-02-24T03:04:29Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• 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)
• Techniques Toward Optimizing Viewability in RTB Ad Campaigns Using Reinforcement Learning [0.0]
  強化学習(Reinforcement Learning, RL)は、環境との相互作用を通じて意思決定エージェントを訓練する効果的な手法である。 デジタル広告において、リアルタイム入札(Real-time bidding、RTB)は、リアルタイムオークションを通じて広告インベントリを割り当てる一般的な方法である。
  論文  参考訳（メタデータ） (2021-05-21T21:56:12Z)
• User Response Prediction in Online Advertising [11.954966895950163]
  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。
  論文  参考訳（メタデータ） (2021-01-07T03:00:44Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。