論文の概要: E-Commerce Promotions Personalization via Online Multiple-Choice
Knapsack with Uplift Modeling
- arxiv url: http://arxiv.org/abs/2108.13298v2
- Date: Tue, 31 Aug 2021 19:36:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:50:54.153866
- Title: E-Commerce Promotions Personalization via Online Multiple-Choice
Knapsack with Uplift Modeling
- Title(参考訳): 昇降モデルを用いたオンラインマルチコースKnapsackによるEコマースのパーソナライズ
- Authors: Javier Albert, Dmitri Goldenberg
- Abstract要約: 本稿では,オンライン制約付きマルチコースプロモーションパーソナライズ問題について検討する。
本研究は,オンライン多重選択Knapsack問題としてこの問題を定式化する。
予算制約の遵守を保証するリアルタイム適応手法を提案する。
- 参考スコア(独自算出の注目度): 1.027974860479791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Promotions and discounts are essential components of modern e-commerce
platforms, where they are often used to incentivize customers towards purchase
completion. Promotions also affect revenue and may incur a monetary loss that
is often limited by a dedicated promotional budget. We study the Online
Constrained Multiple-Choice Promotions Personalization Problem, where the
optimization goal is to select for each customer which promotion to present in
order to maximize purchase completions, while also complying with global budget
limitations. Our work formalizes the problem as an Online Multiple Choice
Knapsack Problem and extends the existent literature by addressing cases with
negative weights and values. We provide a real-time adaptive method that
guarantees budget constraints compliance and achieves above 99.7% of the
optimal promotional impact on various datasets. Our method is evaluated on a
large-scale experimental study at one of the leading online travel platforms in
the world.
- Abstract(参考訳): プロモーションと割引は現代のeコマースプラットフォームにおいて不可欠な要素であり、購入完了に向けて顧客をインセンティブにするためにしばしば使用される。
プロモーションは収入にも影響し、しばしば専用のプロモーション予算によって制限される金銭的損失を引き起こす可能性がある。
オンライン制約付きマルチコースプロモーションパーソナライズ問題について検討し、グローバルな予算制約を満たしつつ、購入完了を最大化するために、現在プロモーションを行っている顧客毎に最適化目標を選定する。
本研究は,オンラインマルチチョイス・ナップサック問題として問題を定式化し,否定的な重みと値のケースに対処して存在文献を拡張した。
予算制約の遵守を保証し、各種データセットに対する最適なプロモーション効果の99.7%以上を達成するリアルタイム適応手法を提案する。
本手法は,世界有数のオンライン旅行プラットフォームにおける大規模実験により評価されている。
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) - Learning to Cover: Online Learning and Optimization with Irreversible Decisions [50.5775508521174]
後悔は$Thetaleft(mfrac12cdotfrac11-2-Tright)$で半直線的に成長するので、指数関数的に$Theta(sqrtm)$に収束する。
これらの調査結果は、限定的なオンライン学習と最適化の利点を浮き彫りにしている。
論文 参考訳(メタデータ) (2024-06-20T23:00:25Z) - Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。
1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。
複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
論文 参考訳(メタデータ) (2024-05-22T12:27:24Z) - Learning Personalized Decision Support Policies [56.949897454209186]
$texttModiste$は、パーソナライズされた意思決定支援ポリシーを学ぶためのインタラクティブツールである。
パーソナライズされたポリシは、オフラインポリシよりも優れており、コストを意識した環境では、パフォーマンスの低下を最小限に抑えて、発生したコストを削減することができる。
論文 参考訳(メタデータ) (2023-04-13T17:53:34Z) - 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) - Offer Personalization using Temporal Convolution Network and
Optimization [0.0]
オンラインショッピングやハイマーケット競争の増加は、オンライン小売業者のプロモーション支出の増加につながっている。
本稿では,小売店舗における消費者・商品・時間の交点におけるオファー最適化の課題を解決するためのアプローチを提案する。
論文 参考訳(メタデータ) (2020-10-14T10:59:34Z) - Free Lunch! Retrospective Uplift Modeling for Dynamic Promotions
Recommendation within ROI Constraints [9.733174472837275]
オンライン旅行プラットフォーム(OTP)では、部屋のアップグレード、無料食事、輸送サービスなどが人気である。
プロモーションは通常、制御されていない場合、持続不可能になるコストを発生させる。
プロモーションが実行可能となるためには、関連するコストは、一定の財政的制約の中で漸進的な収入によってバランスをとらなければならない。
本稿では, Knapsack Problem の定式化に頼って, 新たなアップリフトモデリング手法を提案する。
論文 参考訳(メタデータ) (2020-08-14T11:13:58Z) - 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) - MoTiAC: Multi-Objective Actor-Critics for Real-Time Bidding [47.555870679348416]
そこで本研究では,MoTiACというマルチエクティブ・アクタ・クリティカルスアルゴリズムを提案する。
従来のRLモデルとは異なり、提案されたMoTiACは複雑な入札環境で同時に多目的タスクを達成できる。
論文 参考訳(メタデータ) (2020-02-18T07:16:39Z)
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。