論文の概要: Towards Regret Free Slot Allocation in Billboard Advertisement

• arxiv url: http://arxiv.org/abs/2401.16464v1
• Date: Mon, 29 Jan 2024 16:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 17:28:10.301496
• Title: Towards Regret Free Slot Allocation in Billboard Advertisement
• Title（参考訳）: 広告広告における無料スロット割り当てを後悔する
• Authors: Dildar Ali, Suman Banerjee, Yamuna Prasad
• Abstract要約: 広告広告の文脈における問題に対する4つの効率的な解法を提案する。 時間と空間の複雑さを理解するために分析します。 提案手法は, 計算時間が少なくても, 後悔の度合いが低いことを観察する。
• 参考スコア（独自算出の注目度）: 4.5562097182811945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creating and maximizing influence among the customers is one of the central goals of an advertiser, and hence, remains an active area of research in recent times. In this advertisement technique, the advertisers approach an influence provider for a specific number of views of their content on a payment basis. Now, if the influence provider can provide the required number of views or more, he will receive the full, else a partial payment. In the context of an influence provider, it is a loss for him if he offers more or less views. This is formalized as 'Regret', and naturally, in the context of the influence provider, the goal will be to minimize this quantity. In this paper, we solve this problem in the context of billboard advertisement and pose it as a discrete optimization problem. We propose four efficient solution approaches for this problem and analyze them to understand their time and space complexity. We implement all the solution methodologies with real-life datasets and compare the obtained results with the existing solution approaches from the literature. We observe that the proposed solutions lead to less regret while taking less computational time.
• Abstract（参考訳）: 顧客間の影響力を最大化することが広告主の中心的な目標の1つであり、近年でも活発な研究分野である。 この広告手法では、広告主は、支払いベースでコンテンツの特定の数のビューに対してインフルエンサーにアプローチする。 さて、もしインフルエンサーが要求されるビュー数以上を提供できるなら、フル、その他の部分的な支払いを受け取ることになる。 インフルエンスプロバイダの文脈では、多かれ少なかれ意見を提供しれば、彼にとって損失となる。 これは'Regret'として形式化され、当然、インフルエンスプロバイダの文脈では、この量を最小限にすることが目標である。 本稿では,広告広告の文脈でこの問題を解決し,個別の最適化問題として機能する。 この問題に対する4つの効率的な解法を提案し,それらの時間と空間の複雑さを解析する。 実生活データセットを用いて全ての解法を実装し,得られた結果と文献からの既存解法との比較を行った。 提案手法は, 計算時間が少なくても, 後悔が少なくなることを観察する。

関連論文リスト

• Multi-Armed Bandits with Abstention [62.749500564313834]
  本稿では, 新たな戦略要素である禁忌を取り入れた, 正準多重武装バンディット問題の拡張を提案する。 この強化されたフレームワークでは、エージェントは各タイムステップでアームを選択することだけでなく、観察する前に即時報酬を受け付けないオプションも備えている。
  論文  参考訳（メタデータ） (2024-02-23T06:27:12Z)
• Ad-load Balancing via Off-policy Learning in a Content Marketplace [9.783697404304025]
  広告ロードバランシングは、オンライン広告システム、特にソーシャルメディアプラットフォームにおける重要な課題である。 従来のアドロードバランシングのアプローチは静的アロケーションポリシに依存しており、ユーザの好みやコンテキスト要因の変更に適応できない。 本稿では、ログ化された盗聴フィードバックから、政治外の学習と評価を活用するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T09:17:07Z)
• Online Learning with Costly Features in Non-stationary Environments [6.009759445555003]
  シーケンシャルな意思決定の問題では、長期的な報酬を最大化することが第一の目標である。 現実世界の問題では、有益な情報を集めるのにしばしばコストがかかる。 時間内にサブ線形後悔を保証するアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-07-18T16:13:35Z)
• Online Ad Procurement in Non-stationary Autobidding Worlds [10.871587311621974]
  本稿では,複数次元決定変数,帯域幅フィードバック,長期不確実な制約を用いたオンライン意思決定のための原始双対アルゴリズムを提案する。 提案アルゴリズムは, 逆数, 逆数, 周期的, エルゴディックな手順により, 調達結果が生成されると, 多くの世界では, 後悔の度合いが低いことを示す。
  論文  参考訳（メタデータ） (2023-07-10T00:41:08Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• 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)
• 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 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)
• 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。