論文の概要: Submodular Optimization Beyond Nonnegativity: Adaptive Seed Selection in
Incentivized Social Advertising
- arxiv url: http://arxiv.org/abs/2109.15180v1
- Date: Thu, 30 Sep 2021 14:52:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 18:11:53.644404
- Title: Submodular Optimization Beyond Nonnegativity: Adaptive Seed Selection in
Incentivized Social Advertising
- Title（参考訳）: 非否定性を超えたサブモジュラー最適化:インセンティブ付きソーシャル広告における適応シード選択
- Authors: Shaojie Tang, Jing Yuan
- Abstract要約: ソーシャル広告エコシステムには、広告主とプラットフォームという2つの主要なプレーヤーがいる。
適応的でない設定と適応的設定の両方でこの問題を研究する。
- 参考スコア（独自算出の注目度）: 28.24164217929491
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The idea of social advertising (or social promotion) is to select a group of
influential individuals (a.k.a \emph{seeds}) to help promote some products or
ideas through an online social networks. There are two major players in the
social advertising ecosystem: advertiser and platform. The platform sells viral
engagements such as "like"s to advertisers by inserting their ads into the feed
of seeds. These seeds receive monetary incentives from the platform in exchange
for their participation in the social advertising campaign. Once an ad is
engaged by a follower of some seed, the platform receives a fixed amount of
payment, called cost per engagement, from the advertiser. The ad could
potentially attract more engagements from followers' followers and trigger a
viral contagion. At the beginning of a campaign, the advertiser submits a
budget to the platform and this budget can be used for two purposes: recruiting
seeds and paying for the viral engagements generated by the seeds. Note that
the first part of payment goes to the seeds and the latter one is the actual
revenue collected by the platform. In this setting, the problem for the
platform is to recruit a group of seeds such that she can collect the largest
possible amount of revenue subject to the budget constraint. We formulate this
problem as a seed selection problem whose objective function is non-monotone
and it might take on negative values, making existing results on submodular
optimization and influence maximization not applicable to our setting. We study
this problem under both non-adaptive and adaptive settings. Although we focus
on social advertising in this paper, our results apply to any optimization
problems whose objective function is the expectation of the minimum of a
stochastic submodular function and a linear function.
- Abstract（参考訳）: ソーシャル広告(あるいはソーシャルプロモーション)の考え方は、影響力のある個人グループ(a.a \emph{seeds})を選択し、オンラインソーシャルネットワークを通じていくつかの製品やアイデアを促進することである。
ソーシャル広告エコシステムには、広告主とプラットフォームという2つの主要なプレーヤーがいる。
このプラットフォームは、広告を種子のフィードに挿入することで広告主に「いいね!」のようなバイラルなエンゲージメントを売っている。
これらの種は、ソーシャル広告キャンペーンへの参加と引き換えにプラットフォームから金銭的なインセンティブを受ける。
ある広告が、あるシードのフォロワーによって実行されると、プラットフォームは広告主から、エンゲージメントあたりのコストと呼ばれる一定額の支払いを受ける。
この広告はフォロワーのフォロワーからより多くのエンゲージメントを引き寄せ、ウイルス感染を引き起こす可能性がある。
キャンペーンの開始時に広告主はプラットフォームに予算を提出し、この予算は種を募集し、種が生み出すウイルスのエンゲージメントに支払うという2つの目的で使用できる。
支払いの最初の部分はシードで、後者はプラットフォームが収集した実際の収益である点に注意が必要だ。
この設定では、プラットフォームの問題は、予算制約の対象となる最大額の収入を集めることができるように、種のグループをリクルートすることだ。
目的関数が非単調で負の値を取るような種選択問題としてこの問題を定式化し、この設定には適用できない部分モジュラ最適化と影響の最大化に関する既存の結果を得る。
我々は,この問題を非適応的かつ適応的設定で検討する。
本稿では,ソーシャル広告に焦点をあてるが,目的関数が確率的部分モジュラー関数と線形関数の最小値の期待である任意の最適化問題に適用する。
関連論文リスト
- Truthful Aggregation of LLMs with an Application to Online Advertising [11.552000005640203]
広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。
我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
論文 参考訳（メタデータ） (2024-05-09T17:01:31Z) - Improved Online Learning Algorithms for CTR Prediction in Ad Auctions [8.2536631346421]
広告オークションにおける収益のオンライン学習問題について検討する。
広告主の戦略的行動の2つのモデルに焦点を当てる。
我々は,高信頼度境界に基づくオンラインメカニズムを開発し,O(sqrtT)$後悔の度合いを実現する。
論文 参考訳（メタデータ） (2024-02-29T14:10:26Z) - Discrimination through Image Selection by Job Advertisers on Facebook [79.21648699199648]
求人広告における新たな差別手段の出現状況について検討する。
ターゲティングとデリバリーの両方を組み合わせ、求人広告画像の特定の人口層を不均等に表現したり排除したりする。
私たちはFacebook Ad Libraryを使って、このプラクティスの有病率を実証しています。
論文 参考訳（メタデータ） (2023-06-13T03:43:58Z) - Bidding Strategies for Proportional Representation in Advertisement
Campaigns [8.269283912626873]
同一入札は、異なる種類の個人に対する不均一な競争のレベルが原因で、等質な結果が得られないことが示される。
プラットフォームメカニズムを変更しない変更を検討し、代わりに広告主が使用する入札戦略を変更します。
論文 参考訳（メタデータ） (2023-05-22T23:29:05Z) - 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) - Auditing for Discrimination in Algorithms Delivering Job Ads [70.02478301291264]
我々は,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。
最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる、広告配信における歪の区別です。
第2に,他の要因と資格の違いによって説明可能なスクリューを区別する監査手法を開発する。
第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。
論文 参考訳（メタデータ） (2021-04-09T17:38:36Z) - 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) - 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) - Online Joint Bid/Daily Budget Optimization of Internet Advertising
Campaigns [115.96295568115251]
複数のチャンネルにまたがるペイ・パー・クリック広告キャンペーンのオンライン共同入札/日次予算最適化の自動化問題について検討する。
どのキャンペーンでも、Gaussian Processesによる入札のクリック数と日々の予算に依存しています。
我々は4つのアルゴリズムを設計し、O(sqrtT)として高い確率で上界した後悔に苦しむことを示す。
我々は,1年以上に1日平均1000ユーロを消費した実世界のアプリケーションにおいて,我々のアルゴリズムの採用結果を提示する。
論文 参考訳（メタデータ） (2020-03-03T11:07:38Z)
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。