論文の概要: Online Advertising Revenue Forecasting: An Interpretable Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2111.08840v1
• Date: Tue, 16 Nov 2021 23:55:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-19 00:12:12.145764
• Title: Online Advertising Revenue Forecasting: An Interpretable Deep Learning Approach
• Title（参考訳）: オンライン広告収益予測: 解釈可能なディープラーニングアプローチ
• Authors: Max W\"urfel, Qiwei Han, Maximilian Kaiser
• Abstract要約: 本稿では,出版社の広告収入を予測する新しいアテンションベースアーキテクチャを提案する。 この結果は,複数の時間地平線上での深層学習時系列予測モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online advertising revenues account for an increasing share of publishers' revenue streams, especially for small and medium-sized publishers who depend on the advertisement networks of tech companies such as Google and Facebook. Thus publishers may benefit significantly from accurate online advertising revenue forecasts to better manage their website monetization strategies. However, publishers who only have access to their own revenue data lack a holistic view of the total ad market of publishers, which in turn limits their ability to generate insights into their own future online advertising revenues. To address this business issue, we leverage a proprietary database encompassing Google Adsense revenues from a large collection of publishers in diverse areas. We adopt the Temporal Fusion Transformer (TFT) model, a novel attention-based architecture to predict publishers' advertising revenues. We leverage multiple covariates, including not only the publisher's own characteristics but also other publishers' advertising revenues. Our prediction results outperform several benchmark deep-learning time-series forecast models over multiple time horizons. Moreover, we interpret the results by analyzing variable importance weights to identify significant features and self-attention weights to reveal persistent temporal patterns.
• Abstract（参考訳）: オンライン広告収入は、特にGoogleやFacebookのようなテクノロジー企業の広告ネットワークに依存している中小規模の出版社において、出版社の収益ストリームのシェアを増大させている。 したがって、パブリッシャーはウェブサイトの収益化戦略を改善するために、正確なオンライン広告収益予測から大きな恩恵を受ける可能性がある。 しかし、自身の収益データのみにアクセスできるパブリッシャーは、パブリッシャーの広告市場全体の全体像を欠いているため、将来的なオンライン広告収入に関する洞察を創造する能力は制限されている。 このビジネス問題に対処するために、我々はgoogle adsenseの収益を含むプロプライエタリなデータベースを、さまざまな領域のパブリッシャーの大規模なコレクションから活用している。 我々は、出版者の広告収入を予測する新しい注意に基づくアーキテクチャであるtemporal fusion transformer(tft)モデルを採用する。 我々は、出版社自身の特徴だけでなく、他の出版社の広告収入を含む複数の共変量を利用する。 我々の予測結果は、複数の時間地平線上での深層学習時系列予測モデルよりも優れている。 さらに, 変動重みを解析し, 重要な特徴と自己注意重みを同定し, 持続的な時間的パターンを明らかにする。

関連論文リスト

• Long-Term Ad Memorability: Understanding & Generating Memorable Ads [54.23854539909078]
  広告の記憶可能性に関する大規模な研究は行われていない。 276のブランドをカバーする1749の参加者と2205の広告からなる,最初の記憶可能性データセットであるLAMBDAをリリースする。
  論文  参考訳（メタデータ） (2023-09-01T10:27:04Z)
• Interpretable Deep Learning for Forecasting Online Advertising Costs: Insights from the Competitive Bidding Landscape [1.0923877073891446]
  本稿では,オンライン広告市場における日平均CPCの予測に様々な時系列予測手法を用いた総合的研究について述べる。 時間融合変換器(TFT)を含む統計モデル,機械学習技術,深層学習手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-02-11T19:26:17Z)
• 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)
• Multilingual Disinformation Detection for Digital Advertising [0.9684919127633844]
  私たちは、偽情報で大衆を操る可能性のあるWebサイトを素早く検出し、リフレッシュする第一歩を踏み出します。 我々は、多言語テキスト埋め込みに基づく機械学習モデルを構築し、まず、ページが興味のあるトピックについて言及しているかどうかを判断し、コンテンツが悪意のあるものである可能性を推定する。 当社のシステムでは,内部チームが積極的に安全でないコンテンツをブラックリスト化することで,広告提供者の評判を保護できる。
  論文  参考訳（メタデータ） (2022-07-04T10:29:20Z)
• Lessons from the AdKDD'21 Privacy-Preserving ML Challenge [57.365745458033075]
  W3Cの顕著な提案では、過去のディスプレイの集計された、差別化されたプライベートなレポートを通じてのみ広告信号を共有することができる。 この提案を広く研究するために、AdKDD'21でオープンなプライバシ保護機械学習チャレンジが行われた。 重要な発見は、大量の集約されたデータの小さな集合が存在する場合の学習モデルは驚くほど効率的で安価であることである。
  論文  参考訳（メタデータ） (2022-01-31T11:09:59Z)
• 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)
• 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)
• Predicting conversions in display advertising based on URL embeddings [16.63178490961762]
  本稿では、訪問URLの履歴から、ユーザが変換する確率を推定するための異なるモデルを紹介し、検討する。 自然言語処理にヒントを得て,意味的に意味のあるURL表現を計算するために,3つのURL埋め込みモデルを導入する。
  論文  参考訳（メタデータ） (2020-08-27T09:14:28Z)
• 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)
• Real-Time Optimization Of Web Publisher RTB Revenues [10.908037452134302]
  本稿では,第2価格オークションによるWebパブリッシャーの収益を最適化するエンジンについて述べる。 エンジンは競売ごとに約1ミリ秒で最適な予備価格を予測できる。
  論文  参考訳（メタデータ） (2020-06-12T11:14:56Z)

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。