論文の概要: Who Are the Best Adopters? User Selection Model for Free Trial Item Promotion

• arxiv url: http://arxiv.org/abs/2202.09508v2
• Date: Tue, 22 Feb 2022 01:37:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 12:43:42.482980
• Title: Who Are the Best Adopters? User Selection Model for Free Trial Item Promotion
• Title（参考訳）: 一番の養子は誰ですか。 無料トライアルアイテムプロモーションのためのユーザ選択モデル
• Authors: Shiqi Wang, Chongming Gao, Min Gao, Junliang Yu, Zongwei Wang, Hongzhi Yin
• Abstract要約: SMILEという新しいフリートライアルユーザ選択モデルを提案する。 エージェントがフリートライアル後の利益の最大化を目的とした特定の採用者を積極的に選択する強化学習(RL)に基づいている。 具体的には、アクション空間を再構成するツリー構造を設計し、巨大なユーザ空間から採用者を効率的に選択できるようにする。
• 参考スコア（独自算出の注目度）: 41.58621061329645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasingly fierce market competition, offering a free trial has become a potent stimuli strategy to promote products and attract users. By providing users with opportunities to experience goods without charge, a free trial makes adopters know more about products and thus encourages their willingness to buy. However, as the critical point in the promotion process, finding the proper adopters is rarely explored. Empirically winnowing users by their static demographic attributes is feasible but less effective, neglecting their personalized preferences. To dynamically match the products with the best adopters, in this work, we propose a novel free trial user selection model named SMILE, which is based on reinforcement learning (RL) where an agent actively selects specific adopters aiming to maximize the profit after free trials. Specifically, we design a tree structure to reformulate the action space, which allows us to select adopters from massive user space efficiently. The experimental analysis on three datasets demonstrates the proposed model's superiority and elucidates why reinforcement learning and tree structure can improve performance. Our study demonstrates technical feasibility for constructing a more robust and intelligent user selection model and guides for investigating more marketing promotion strategies.
• Abstract（参考訳）: 市場競争が激化する中、無料トライアルの提供は、製品を宣伝しユーザーを引き付ける強力な刺激戦略となっている。 料金なしで商品を体験する機会をユーザに提供することで、無償トライアルによって、導入者は製品についてもっと知ることができ、購入意欲を高めることができる。 しかし、プロモーションプロセスの要点として、適切な採用者を見つけることはまれである。 ユーザーを静的な属性で評価することは、実用性はあるが、効果は低く、パーソナライズされた好みを無視している。 そこで本研究では,製品とベストアダプターを動的に一致させるため,エージェントがフリートライアル後の利益を最大化しようとする特定の採用者を積極的に選択する強化学習(rl)に基づく,smileと呼ばれる新しいフリートライアルユーザ選択モデルを提案する。 具体的には,アクション空間を再構成する木構造を設計することで,大規模ユーザ空間からの導入者を効率的に選択できる。 3つのデータセットに対する実験分析は,提案モデルが優れていることを示し,強化学習と木構造が性能を向上させる理由を解明する。 本研究は,より堅牢でインテリジェントなユーザ選択モデルを構築するための技術的実現可能性と,マーケティング促進戦略を検討するためのガイドを示す。

関連論文リスト

• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Personalized Promotion Decision Making Based on Direct and Enduring Effect Predictions [5.50110172922112]
  本稿では,顧客ごとの直接的かつ永続的な対応をモデル化し,複数治療促進意思決定の枠組みを提案する。 まず、顧客直接持続効果(CDEE)モデルを提案し、顧客直接持続応答を予測する。 CDEEの助けを借りて、コストを予算に抑えつつ、持続的な効果を最適化するためにインセンティブアロケーションをパーソナライズする。
  論文  参考訳（メタデータ） (2022-07-23T07:13:57Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Generalized Strategic Classification and the Case of Aligned Incentives [16.607142366834015]
  戦略的なユーザー行動の理由について、より広い視点で議論する。 我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。 結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-02-09T09:36:09Z)
• A framework for massive scale personalized promotion [18.12992386307048]
  消費者向けプラットフォームを構築するテクノロジー企業は、大規模なユーザー人口にアクセスできるかもしれない。 定量化インセンティブによるプロモーションは、このようなプラットフォーム上でアクティブユーザを増やすための一般的なアプローチとなっている。 本稿では,大規模プロモーションキャンペーンのROIを最適化する実用的な2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-27T03:03:18Z)
• Targeted Active Learning for Bayesian Decision-Making [15.491942513739676]
  サンプルを逐次取得する際には,学習と意思決定を分離することが準最適である。 本稿では,ダウン・ザ・ライン決定問題を考慮に入れた,新たなアクティブな学習戦略を提案する。 具体的には、最適決定の後続分布における期待情報ゲインを最大化する、新しい能動的学習基準を導入する。
  論文  参考訳（メタデータ） (2021-06-08T09:05:43Z)
• Rebuilding Trust in Active Learning with Actionable Metrics [77.99796068970569]
  アクティブラーニング(AL)は研究の活発な領域であるが、プレッシャーのあるニーズにもかかわらず、業界ではほとんど使われない。 これは部分的には目的のずれによるものであり、研究は選択したデータセットで最高の結果を得るよう努力している。 積極的学習における産業実践者の信頼回復を支援するために,様々な活動可能な指標を提示する。
  論文  参考訳（メタデータ） (2020-12-18T09:34:59Z)
• Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing [2.752817022620644]
  本稿では,ユーザマーケティングのための処理効果最適化手法を提案する。 このアルゴリズムは過去の実験から学習し、ユーザ選択に対するコスト効率の最適化に新しい最適化手法を利用する。 提案手法は,先行技術およびベースライン法において,最良性能の手法と比較して24.6%性能が向上した。
  論文  参考訳（メタデータ） (2020-04-21T01:34:34Z)

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。