Fugu-MT 論文翻訳(概要): Do not Waste Money on Advertising Spend: Bid Recommendation via Concavity Changes

論文の概要: Do not Waste Money on Advertising Spend: Bid Recommendation via Concavity Changes

arxiv url: http://arxiv.org/abs/2212.13923v1
Date: Mon, 26 Dec 2022 08:32:41 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 15:02:03.774124
Title: Do not Waste Money on Advertising Spend: Bid Recommendation via Concavity Changes
Title（参考訳）: 広告費を無駄にしてはいけない: コンキャビティ変更による入札推薦
Authors: Deguang Kong, Konstantin Shmakov and Jian Yang
Abstract要約: 計算広告において、難しい問題は、投資に対する最良のリターンを達成するために、広告主にどのように入札を推奨するかである。本稿では,クリック収益の変化にともなう予算制約シナリオについて述べる。
参考スコア（独自算出の注目度）: 19.857681941728597
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In computational advertising, a challenging problem is how to recommend the bid for advertisers to achieve the best return on investment (ROI) given budget constraint. This paper presents a bid recommendation scenario that discovers the concavity changes in click prediction curves. The recommended bid is derived based on the turning point from significant increase (i.e. concave downward) to slow increase (convex upward). Parametric learning based method is applied by solving the corresponding constraint optimization problem. Empirical studies on real-world advertising scenarios clearly demonstrate the performance gains for business metrics (including revenue increase, click increase and advertiser ROI increase).
Abstract（参考訳）: 計算広告では、予算制約が与えられた投資(ROI)に対するベストリターンを達成するために、どのように広告主を推薦するかが課題である。本稿では,クリック予測曲線の凹凸変化を検出する入札推薦シナリオを提案する。推奨入札は、大幅な増加(コンケーブ下向き)から緩やかな増加(凸上向き)への転換点に基づいて導出される。対応する制約最適化問題を解くことにより、パラメトリック学習に基づく手法を適用する。実世界の広告シナリオに関する実証的研究は、ビジネスメトリクスのパフォーマンス向上(収益増加、クリック増加、広告主ROIの増加を含む)を明確に示している。

関連論文リスト

Optimizing Search Advertising Strategies: Integrating Reinforcement Learning with Generalized Second-Price Auctions for Enhanced Ad Ranking and Bidding [36.74368014856906]
本稿では,多様なユーザインタラクションに適応し,広告主のコスト,ユーザ関連性,プラットフォーム収益のバランスを最適化するモデルを提案する。提案手法は,広告の配置精度とコスト効率を大幅に向上させ,実際のシナリオにおけるモデルの適用性を示すものである。
論文参考訳（メタデータ） (2024-05-22T06:30:55Z)
Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文参考訳（メタデータ） (2023-12-07T15:55:58Z)
Rate-Optimal Policy Optimization for Linear Markov Decision Processes [65.5958446762678]
最安値の$widetilde O (sqrt K)$ regret, $K$はエピソード数を表す。我々の研究は、バンディットフィードバックのある設定において最適な収束率(w.r.t.$K$)を確立する最初のものである。現在、最適なレート保証を持つアルゴリズムは知られていない。
論文参考訳（メタデータ） (2023-08-28T15:16:09Z)
Improved Regret for Efficient Online Reinforcement Learning with Linear Function Approximation [69.0695698566235]
線形関数近似による強化学習と,コスト関数の逆変化について検討した。本稿では,未知のダイナミクスと帯域幅フィードバックの一般設定に挑戦する,計算効率のよいポリシ最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-30T17:26:39Z)
Demystifying Advertising Campaign Bid Recommendation: A Constraint target CPA Goal Optimization [19.857681941728597]
本稿では,広告主が望むtCPA目標を達成するための入札最適化シナリオを提案する。我々は厳格に定式化された制約付き最適化問題を解くことで決定を下すために最適化エンジンを構築した。提案モデルでは,広告主の過去のオークション行動に対する推測を行うことで,広告主の期待に応える入札を自然に推奨することができる。
論文参考訳（メタデータ） (2022-12-26T07:43:26Z)
Adaptive Risk-Aware Bidding with Budget Constraint in Display Advertising [47.14651340748015]
本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
論文参考訳（メタデータ） (2022-12-06T18:50:09Z)
Functional Optimization Reinforcement Learning for Real-Time Bidding [14.5826735379053]
リアルタイム入札はプログラム広告の新しいパラダイムである。既存のアプローチは、入札最適化に十分なソリューションを提供するのに苦労しています。本稿では,機能最適化を伴うRTBのためのマルチエージェント強化学習アーキテクチャを提案する。
論文参考訳（メタデータ） (2022-06-25T06:12:17Z)
Bid Optimization using Maximum Entropy Reinforcement Learning [0.3149883354098941]
本稿では、リアルタイム入札(RTB)における強化学習(RL)を用いた広告主の入札戦略の最適化に焦点をあてる。まず、広く受け入れられている線形入札関数を用いて、すべての印象のベース価格を計算し、RTBオークション環境から派生した可変調整係数で最適化する。最後に、公開データセットに関する実証的研究により、提案した入札戦略がベースラインよりも優れた性能を示した。
論文参考訳（メタデータ） (2021-10-11T06:53:53Z)
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。