論文の概要: Model-Free Approximate Bayesian Learning for Large-Scale Conversion Funnel Optimization

• arxiv url: http://arxiv.org/abs/2401.06710v1
• Date: Fri, 12 Jan 2024 17:19:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 18:45:13.936989
• Title: Model-Free Approximate Bayesian Learning for Large-Scale Conversion Funnel Optimization
• Title（参考訳）: 大規模変換関数最適化のためのモデル自由近似ベイズ学習
• Authors: Garud Iyengar and Raghav Singal
• Abstract要約: 新たな製品の採用確率を最大化する最適な逐次的パーソナライズされた介入を特定することの課題について検討する。 消費者の振る舞いを変換ファネルでモデル化し、各消費者の状態をキャプチャする。 本稿では,モデルレス近似ベイズ学習と呼ばれる,帰属型意思決定アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 10.560764660131891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The flexibility of choosing the ad action as a function of the consumer state is critical for modern-day marketing campaigns. We study the problem of identifying the optimal sequential personalized interventions that maximize the adoption probability for a new product. We model consumer behavior by a conversion funnel that captures the state of each consumer (e.g., interaction history with the firm) and allows the consumer behavior to vary as a function of both her state and firm's sequential interventions. We show our model captures consumer behavior with very high accuracy (out-of-sample AUC of over 0.95) in a real-world email marketing dataset. However, it results in a very large-scale learning problem, where the firm must learn the state-specific effects of various interventions from consumer interactions. We propose a novel attribution-based decision-making algorithm for this problem that we call model-free approximate Bayesian learning. Our algorithm inherits the interpretability and scalability of Thompson sampling for bandits and maintains an approximate belief over the value of each state-specific intervention. The belief is updated as the algorithm interacts with the consumers. Despite being an approximation to the Bayes update, we prove the asymptotic optimality of our algorithm and analyze its convergence rate. We show that our algorithm significantly outperforms traditional approaches on extensive simulations calibrated to a real-world email marketing dataset.
• Abstract（参考訳）: 消費者国家の機能として広告行動を選択する柔軟性は、現代のマーケティングキャンペーンにとって重要である。 新製品の採用確率を最大化する最適な個別化介入を同定する問題について検討する。 消費者の振る舞いを変換ファネルでモデル化し、各消費者の状態(例えば、企業とのインタラクション履歴)をキャプチャし、消費者の行動が、彼女の状態と会社のシーケンシャルな介入の両方の機能として変化するようにする。 実世界のメールマーケティングデータセットにおいて, 消費者行動の精度を極めて高い(サンプル外AUCは0.95以上)。 しかし、これは非常に大規模な学習問題を引き起こし、企業は消費者の相互作用から様々な介入の状態固有の効果を学ばなければならない。 本稿では,モデルレス近似ベイズ学習と呼ばれる,帰属型意思決定アルゴリズムを提案する。 提案アルゴリズムはトンプソンサンプリングの帯域幅に対する解釈可能性とスケーラビリティを継承し,各状態依存的介入の価値に関する近似的信念を維持する。 アルゴリズムが消費者と対話するにつれて、信念が更新される。 ベイズ更新の近似であるにもかかわらず、アルゴリズムの漸近的最適性を証明し、収束率を分析する。 本アルゴリズムは,実世界のメールマーケティングデータセットに校正された大規模シミュレーションに対する従来のアプローチを著しく上回っていることを示す。

関連論文リスト

• Modeling the Telemarketing Process using Genetic Algorithms and Extreme Boosting: Feature Selection and Cost-Sensitive Analytical Approach [0.06906005491572399]
  本研究は、顧客による長期預金の意欲をモデル化する上で、テレマーケティングデータの力を活用することを目的とする。 ポルトガルの銀行と社会経済指標の実際のデータは、遠隔販売による意思決定プロセスのモデル化に使用される。
  論文  参考訳（メタデータ） (2023-10-30T08:46:55Z)
• Choice Models and Permutation Invariance: Demand Estimation in Differentiated Products Markets [5.8429701619765755]
  ニューラルネットのような非パラメトリック推定器は、選択関数を簡単に近似できることを示す。 提案する関数は、完全にデータ駆動方式で、消費者の振る舞いを柔軟に捉えることができる。 我々の経験的分析により、推定器は現実的かつ同等の自己およびクロスプライス弾性を生成することが確認された。
  論文  参考訳（メタデータ） (2023-07-13T23:24:05Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.42056926734482064]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Federated Variational Inference: Towards Improved Personalization and Generalization [2.37589914835055]
  我々は、ステートレスなクロスデバイス・フェデレーション学習環境におけるパーソナライズと一般化について研究する。 まず階層的生成モデルを提案し,ベイズ推論を用いて定式化する。 次に、変分推論を用いてこの過程を近似し、モデルを効率的に訓練する。 我々は,FEMNISTとCIFAR-100画像分類のモデルを評価し,FedVIが両タスクの最先端性に勝っていることを示す。
  論文  参考訳（メタデータ） (2023-05-23T04:28:07Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• 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)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network [0.0]
  消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。 Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
  論文  参考訳（メタデータ） (2020-10-14T11:00:00Z)

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。