論文の概要: We Know What You Want: An Advertising Strategy Recommender System for
Online Advertising
- arxiv url: http://arxiv.org/abs/2105.14188v1
- Date: Tue, 25 May 2021 17:06:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 09:16:57.903529
- Title: We Know What You Want: An Advertising Strategy Recommender System for
Online Advertising
- Title(参考訳): オンライン広告のための広告戦略レコメンデーションシステム
- Authors: Liyi Guo, Junqi Jin, Haoqi Zhang, Zhenzhe Zheng, Zhiye Yang, Zhizhuang
Xing, Fei Pan, Fan Wu, Lvyin Niu, Haiyang Xu, Chuan Yu, Yuning Jiang,
Xiaoqiang Zhu
- Abstract要約: 本稿では,ディスプレイ広告プラットフォーム上での動的入札戦略レコメンデーションのためのレコメンデーションシステムを提案する。
ニューラルネットワークをエージェントとして使用して,広告主のプロファイルや過去の採用行動に基づいて,広告主の要求を予測する。
オンライン評価は、広告主の広告パフォーマンスを最適化できることを示している。
- 参考スコア(独自算出の注目度): 26.261736843187045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advertisers play an important role in e-commerce platforms, whose advertising
expenditures are the main source of revenue for e-commerce platforms.
Therefore, providing advertisers with a better advertising experience by
reducing their cost of trial and error during ad real-time bidding is crucial
to the long-term revenue of e-commerce platforms. To achieve this goal, the
advertising platform needs to understand the advertisers' unique marketing
demands and actively recommend personalized and optimal advertising strategies
for them. In this work, we first deploy a prototype recommender system on
Taobao display advertising platform for constant bid and crowd optimization.
Then, we propose a novel recommender system for dynamic bidding strategy
recommendation, which models the advertiser's strategy recommendation problem
as a contextual bandit problem. We use a neural network as the agent to predict
the advertisers' demands based on their profile and historical adoption
behaviors. Based on the estimated demand, we apply simulated bidding to derive
the optimal bidding strategy for recommendation and interact with the
advertiser by displaying the possible advertising performance. To solve the
exploration/exploitation dilemma, we use Dropout to represent the uncertainty
of the network, which approximately equals to conduct Thompson sampling for
efficient strategy exploration. Online evaluations show that the system can
optimize the advertisers' advertising performance, and advertisers are willing
to open the system, select and adopt the suggestions, which further increases
the platform's revenue income. Simulation experiments based on Alibaba online
bidding data prove that the agent can effectively optimize the adoption rate of
advertisers, and Thompson sampling can better balance exploration and
exploitation to further optimize the performance of the model.
- Abstract(参考訳): 広告収入がeコマースプラットフォームの主要な収入源であるEコマースプラットフォームにおいて、広告主は重要な役割を担っている。
したがって、広告リアルタイム入札における試行錯誤のコストを減らし、広告主により良い広告体験を提供することは、Eコマースプラットフォームの長期的な収益に不可欠である。
この目標を達成するために、広告プラットフォームは広告主のユニークなマーケティング要求を理解し、パーソナライズされた最適な広告戦略を積極的に推奨する必要がある。
本研究では,タオバオディスプレイ広告プラットフォーム上で,一定入札と群集最適化のためのプロトタイプレコメンデータシステムを最初に展開する。
そこで本稿では,広告主の戦略推薦問題を文脈的帯域幅問題としてモデル化した動的入札戦略推薦システムを提案する。
ニューラルネットワークをエージェントとして使用して,広告主のプロファイルや過去の採用行動に基づいて,広告主の要求を予測する。
推定された需要に基づいて,提案の最適な入札戦略を導出し,広告性能を表示させることで広告主と対話するシミュレーション入札を行う。
探索・探索ジレンマを解決するため,ネットワークの不確実性を表すためにDropoutを用いて,効率的な戦略探索のためのトンプソンサンプリングを行う。
オンライン評価では、システムは広告主の広告パフォーマンスを最適化でき、広告主はシステムを開き、提案を選択し、採用し、プラットフォームの売上をさらに増やすことができる。
Alibabaのオンライン入札データに基づくシミュレーション実験では、エージェントが広告主の採用率を効果的に最適化できることが証明されている。
関連論文リスト
- Optimizing Search Advertising Strategies: Integrating Reinforcement Learning with Generalized Second-Price Auctions for Enhanced Ad Ranking and Bidding [36.74368014856906]
本稿では,多様なユーザインタラクションに適応し,広告主のコスト,ユーザ関連性,プラットフォーム収益のバランスを最適化するモデルを提案する。
提案手法は,広告の配置精度とコスト効率を大幅に向上させ,実際のシナリオにおけるモデルの適用性を示すものである。
論文 参考訳(メタデータ) (2024-05-22T06:30:55Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳(メタデータ) (2022-11-23T22:20:12Z) - A Profit-Maximizing Strategy for Advertising on the e-Commerce Platforms [1.565361244756411]
提案手法は,対象のオーディエンスを実際の購入者へ変換する確率を最大化するために,最適な機能セットを見つけることを目的としている。
提案手法が予算制約で広告戦略を効果的に最適化できることを示すため,Tmall の現実データを用いた実証的研究を行った。
論文 参考訳(メタデータ) (2022-10-31T01:45:42Z) - Persuasion Strategies in Advertisements [68.70313043201882]
我々は,説得戦略の広範な語彙を導入し,説得戦略を付加した最初の広告画像コーパスを構築した。
次に,マルチモーダル学習による説得戦略予測のタスクを定式化する。
我々は、Fortune-500社の1600件の広告キャンペーンについて、現実世界でケーススタディを実施している。
論文 参考訳(メタデータ) (2022-08-20T07:33:13Z) - Bid Optimization using Maximum Entropy Reinforcement Learning [0.3149883354098941]
本稿では、リアルタイム入札(RTB)における強化学習(RL)を用いた広告主の入札戦略の最適化に焦点をあてる。
まず、広く受け入れられている線形入札関数を用いて、すべての印象のベース価格を計算し、RTBオークション環境から派生した可変調整係数で最適化する。
最後に、公開データセットに関する実証的研究により、提案した入札戦略がベースラインよりも優れた性能を示した。
論文 参考訳(メタデータ) (2021-10-11T06:53:53Z) - 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) - 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) - A Deep Prediction Network for Understanding Advertiser Intent and
Satisfaction [41.000912016821246]
本稿では,広告主の意図と満足度を同時にモデル化する新しいDeep Satisfaction Prediction Network (DSPN)を提案する。
提案するDSPNは,最先端のベースラインより優れ,オンライン環境におけるAUCの観点からも安定した性能を有する。
論文 参考訳(メタデータ) (2020-08-20T15:08:50Z) - 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)
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。