論文の概要: Ad Creative Discontinuation Prediction with Multi-Modal Multi-Task
Neural Survival Networks
- arxiv url: http://arxiv.org/abs/2204.11588v1
- Date: Sat, 2 Apr 2022 04:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-01 09:25:41.111896
- Title: Ad Creative Discontinuation Prediction with Multi-Modal Multi-Task
Neural Survival Networks
- Title（参考訳）: マルチモーダル・マルチタスク・ニューラルサバイバルネットワークによる広告創造的中断予測
- Authors: Shunsuke Kitada, Hitoshi Iyatomi, Yoshifumi Seki
- Abstract要約: 適切なタイミングで広告クリエイティビティを廃止することは、販売に重大な影響を与える可能性のある、最も重要な広告運営の1つだ。
本稿では,ハザード関数に基づく損失関数を用いた広告クリエイティビティの廃止に関する現実的な予測枠組みを提案する。
大規模な広告クリエイティビティデータセットを用いて,100億のインプレッションを含む私たちのフレームワークを評価する。
- 参考スコア（独自算出の注目度）: 7.94957965474334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discontinuing ad creatives at an appropriate time is one of the most
important ad operations that can have a significant impact on sales. Such
operational support for ineffective ads has been less explored than that for
effective ads. After pre-analyzing 1,000,000 real-world ad creatives, we found
that there are two types of discontinuation: short-term (i.e., cut-out) and
long-term (i.e., wear-out). In this paper, we propose a practical prediction
framework for the discontinuation of ad creatives with a hazard function-based
loss function inspired by survival analysis. Our framework predicts the
discontinuations with a multi-modal deep neural network that takes as input the
ad creative (e.g., text, categorical, image, numerical features). To improve
the prediction performance for the two different types of discontinuations and
for the ad creatives that contribute to sales, we introduce two new techniques:
(1) a two-term estimation technique with multi-task learning and (2) a
click-through rate-weighting technique for the loss function. We evaluated our
framework using the large-scale ad creative dataset, including 10 billion scale
impressions. In terms of the concordance index (short: 0.896, long: 0.939, and
overall: 0.792), our framework achieved significantly better performance than
the conventional method (0.531). Additionally, we confirmed that our framework
(i) demonstrated the same degree of discontinuation effect as manual operations
for short-term cases, and (ii) accurately predicted the ad discontinuation
order, which is important for long-running ad creatives for long-term cases.
- Abstract（参考訳）: 適切なタイミングで広告制作を中止することは、売上に大きな影響を与える可能性のある最も重要な広告操作の1つだ。
不効果的な広告に対するこのような運用サポートは、効果的な広告よりも調査されていない。
10万の現実世界の広告クリエーターを事前に分析した結果、短期(カットアウト)と長期(摩耗アウト)の2種類の廃止が判明した。
本稿では,生存分析にインスパイアされたハザード関数に基づく損失関数を持つ広告クリエイティビティの廃止に関する現実的な予測枠組みを提案する。
当社のフレームワークは、広告創造性を入力とするマルチモーダル深層ニューラルネットワーク(例えば、テキスト、カテゴリ、画像、数値的特徴など)による中断を予測する。
販売に寄与する2種類の広告制作者に対する予測性能を向上させるために,(1)マルチタスク学習による2項推定手法,(2)損失関数のためのクリックスルーレート重み付け手法という2つの新しい手法を提案する。
大規模な広告クリエイティビティデータセットを用いて,100億のインプレッションを含む私たちのフレームワークを評価した。
concordance index (短縮: 0.896, 長さ: 0.939, 総計: 0.792) では, 従来の手法 (0.531) よりも大幅に性能が向上した。
さらに、我々のフレームワークは、
(i)短期の場合には手作業と同じ程度に中止効果が示された。
(ii) 広告の継続順序を正確に予測することは, 長期にわたる広告制作において重要である。
関連論文リスト
- Ads Supply Personalization via Doubly Robust Learning [13.392289135329833]
広告供給のパーソナライゼーションは、広告量と密度を調整することによって、ソーシャルメディア広告における2つの長期的な目標である、収益とユーザエンゲージメントのバランスを図ることを目的としている。
本稿では,パーソナライズされた広告配信のためのフレームワークを提案する。
データの収集方針からの情報を2倍頑健な学習を通じて最適に活用し,長期処理効果推定の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2024-09-29T06:09:52Z) - 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) - 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) - Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions [42.002983450368134]
プライスオークションでの競売の仕方について検討する。
第二価格のオークションとは異なり、個人価値を真に入札することはもはや最適ではない。
1つは1つの点予測が可能であり、もう1つはヒント間隔が利用可能である。
論文 参考訳（メタデータ） (2022-11-05T19:20:53Z) - 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) - Contextual Bandits for Advertising Campaigns: A Diffusion-Model
Independent Approach (Extended Version) [73.59962178534361]
拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。
この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。
本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
論文 参考訳（メタデータ） (2022-01-13T22:06:10Z) - Mitigating Divergence of Latent Factors via Dual Ascent for Low Latency
Event Prediction Models [0.739706777911384]
現実世界のコンテンツレコメンデーションマーケットプレースは、特定の振る舞いを示し、一般的な静的なオフラインデータセットでは必ずしも明らかでない制約によって課される。
本稿では,モデルの潜在ベクトルに対して,慎重に選択された制約セットを付与することにより,モデルパラメータのばらつきを防止する体系的手法を提案する。
我々は,分散インスタンス数の大幅な削減と,ユーザエクスペリエンスと収益の両面で大きな改善を示すオンライン実験を実施している。
論文 参考訳（メタデータ） (2021-11-15T16:09:48Z) - Predicting Online Video Advertising Effects with Multimodal Deep
Learning [33.20913249848369]
ビデオ広告のクリックスルー率(CTR)を予測し,CTRを決定する要因を解析する手法を提案する。
本稿では,オンラインビデオ広告のマルチモーダル性を生かして,効果を正確に予測するための最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T06:24:01Z) - 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) - 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 Causal Inference for Advertising in Real-Time Bidding Auctions [1.9336815376402723]
本稿では,リアルタイム入札システムを通じて購入した広告に対する因果推論を行うための新しい手法を提案する。
まず、広告の効果が最適な入札によって識別されることを示す。
マルチアームバンディット問題を解くために,適応型トンプソンサンプリング(TS)アルゴリズムを導入する。
論文 参考訳（メタデータ） (2019-08-22T21:13:03Z)
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。