論文の概要: Improving Ads-Profitability Using Traffic-Fingerprints
- arxiv url: http://arxiv.org/abs/2206.02630v1
- Date: Tue, 31 May 2022 08:02:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 09:39:04.722952
- Title: Improving Ads-Profitability Using Traffic-Fingerprints
- Title(参考訳): トラヒックフィンガープリントによる広告収益性の向上
- Authors: Adam Gabriel Dobrakowski and Andrzej Pacuk and Piotr Sankowski and
Marcin Mucha and Pawe{\l} Brach
- Abstract要約: トラフィックフィンガープリントの類似性は、これらのページに表示される広告の収益性時間パターンの類似性に関連していることを示す。
ページのクラスタ全体をブロックまたはアンブロックすることで、オンラインキャンペーンの収益を50%以上増やすことができました。
- 参考スコア(独自算出の注目度): 3.872856581087365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the concept of traffic-fingerprints, i.e., normalized
24-dimensional vectors representing a distribution of daily traffic on a web
page. Using k-means clustering we show that similarity of traffic-fingerprints
is related to the similarity of profitability time patterns for ads shown on
these pages. In other words, these fingerprints are correlated with the
conversions rates, thus allowing us to argue about conversion rates on pages
with negligible traffic. By blocking or unblocking whole clusters of pages we
were able to increase the revenue of online campaigns by more than 50%.
- Abstract(参考訳): 本稿では,日々のトラフィックの分布を表す正規化された24次元ベクトルをWebページ上で紹介する。
k-平均クラスタリングを用いて、これらのページに表示される広告の収益性時間パターンの類似性に関連して、トラフィックフィンガープリントの類似性を示す。
言い換えれば、これらの指紋は変換率と相関しており、無視可能なトラフィックを持つページの変換率について議論することができる。
ページ全体のクラスタをブロックまたはブロックすることで、オンラインキャンペーンの収益を50%以上増やすことができました。
関連論文リスト
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - StrokeNUWA: Tokenizing Strokes for Vector Graphic Synthesis [112.25071764647683]
StrokeNUWAはベクターグラフィックスにおけるより良い視覚表現'ストロークトークン'を探求する先駆的な研究である。
ストロークトークンを備えたStrokeNUWAは、従来のLCMベースの最適化ベースのメソッドを大幅に上回ることができる。
StrokeNUWAは、SVGコード圧縮比が6.9%の従来の手法よりも94倍のスピードアップを達成している。
論文 参考訳(メタデータ) (2024-01-30T15:20:26Z) - Pattern retrieval of traffic congestion using graph-based associations
of traffic domain-specific features [5.32051334268552]
本稿では,高速道路渋滞の交通パターンをコンテンツベースで検索するシステムを提案する。
検索結果を効果的に解釈するために,従来のコンポーネントに対するグラフベースのアプローチ(リレーショナルグラフ)を提案する。
後者のコンポーネントでは、ユーザの期待に応じて、混雑パターン間の類似性をカスタマイズできる。
論文 参考訳(メタデータ) (2023-11-28T22:33:22Z) - Real-Time Motion Prediction via Heterogeneous Polyline Transformer with
Relative Pose Encoding [121.08841110022607]
既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。
K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。
エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
論文 参考訳(メタデータ) (2023-10-19T17:59:01Z) - Clustering of Urban Traffic Patterns by K-Means and Dynamic Time
Warping: Case Study [2.012144743140005]
都市交通パターンのクラスタリングにおける2つの重要な応用について述べる。
最初のアプリケーションは、地図タイルをカラー化するために、類似のトラフィックパターンを持つ道路セグメントの速度を用いて、欠落した速度値を推定する。
2つ目は、異なる道路セグメントの類似パターンを用いて、地図上の局所点のアドレスを生成するための重要な道路セグメントの推定である。
論文 参考訳(メタデータ) (2023-09-18T14:50:46Z) - FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。
道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。
私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文 参考訳(メタデータ) (2023-06-19T14:03:42Z) - Relation-based Motion Prediction using Traffic Scene Graphs [12.68339084600328]
交通現場の関連情報を表現し,その環境を理解することは,自動運転の成功に不可欠である。
本研究では,交通参加者に関する様々な予測を行うために,交通シーンを空間意味シーングラフの形式でモデル化する。
我々の学習と推論手法はグラフニューラルネットワーク(GNN)を用いて,交通参加者間の空間的意味関係に関する明示的な情報を取り入れることで,述語結果が改善されることを示す。
論文 参考訳(メタデータ) (2022-11-24T13:04:08Z) - Contrastive Principal Component Learning: Modeling Similarity by
Augmentation Overlap [50.48888534815361]
コントラシブ・プリンシパル・コンポーネント・ラーニング(CPCL)手法を提案する。
CPCLにより、学習された低次元埋め込みは、標本間の増大分布の類似性を理論的に保存する。
論文 参考訳(メタデータ) (2022-06-01T13:03:58Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - Spatial-Temporal Tensor Graph Convolutional Network for Traffic
Prediction [46.762437988118386]
本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。
計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。
2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
論文 参考訳(メタデータ) (2021-03-10T15:28:07Z) - Defining Traffic States using Spatio-temporal Traffic Graphs [9.861775841965386]
本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。
これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
論文 参考訳(メタデータ) (2020-07-27T17:27:52Z)
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。