論文の概要: ADSNet: Cross-Domain LTV Prediction with an Adaptive Siamese Network in Advertising
- arxiv url: http://arxiv.org/abs/2406.10517v1
- Date: Sat, 15 Jun 2024 06:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 00:02:58.979038
- Title: ADSNet: Cross-Domain LTV Prediction with an Adaptive Siamese Network in Advertising
- Title（参考訳）: ADSNet:広告におけるアダプティブ・シームズ・ネットワークを用いたクロスドメインLTV予測
- Authors: Ruize Wang, Hui Xu, Ying Cheng, Qi He, Xing Zhou, Rui Feng, Wei Xu, Lei Huang, Jie Jiang,
- Abstract要約: 広告プラットフォームは、広告主の真のパフォーマンス指標との整合性を高めるために、ライフタイムバリュー(LTV)を推定するために進化してきた。
実世界のLTVデータのばらつきは、LTV予測モデルに重大な課題をもたらす。
我々は,外部データを利用して購入サンプルのサイズを拡大し,LTV予測モデルを強化することを提案する。
- 参考スコア（独自算出の注目度）: 28.894933598821527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advertising platforms have evolved in estimating Lifetime Value (LTV) to better align with advertisers' true performance metric. However, the sparsity of real-world LTV data presents a significant challenge to LTV predictive model(i.e., pLTV), severely limiting the their capabilities. Therefore, we propose to utilize external data, in addition to the internal data of advertising platform, to expand the size of purchase samples and enhance the LTV prediction model of the advertising platform. To tackle the issue of data distribution shift between internal and external platforms, we introduce an Adaptive Difference Siamese Network (ADSNet), which employs cross-domain transfer learning to prevent negative transfer. Specifically, ADSNet is designed to learn information that is beneficial to the target domain. We introduce a gain evaluation strategy to calculate information gain, aiding the model in learning helpful information for the target domain and providing the ability to reject noisy samples, thus avoiding negative transfer. Additionally, we also design a Domain Adaptation Module as a bridge to connect different domains, reduce the distribution distance between them, and enhance the consistency of representation space distribution. We conduct extensive offline experiments and online A/B tests on a real advertising platform. Our proposed ADSNet method outperforms other methods, improving GINI by 2$\%$. The ablation study highlights the importance of the gain evaluation strategy in negative gain sample rejection and improving model performance. Additionally, ADSNet significantly improves long-tail prediction. The online A/B tests confirm ADSNet's efficacy, increasing online LTV by 3.47$\%$ and GMV by 3.89$\%$.
- Abstract（参考訳）: 広告プラットフォームは、広告主の真のパフォーマンス指標との整合性を高めるために、ライフタイムバリュー(LTV)を推定するために進化してきた。
しかし、実世界のLTVデータの空間性は、LTV予測モデル(pLTV)に重大な課題をもたらし、その能力を著しく制限する。
そこで本稿では,広告プラットフォームの内部データに加えて,購入サンプルのサイズを拡大し,広告プラットフォームのLTV予測モデルを強化するために,外部データを活用することを提案する。
内部プラットフォームと外部プラットフォーム間のデータ分散シフトの問題に対処するために,ドメイン間転送学習を用いて負の転送を防止するAdaptive Difference Siamese Network(ADSNet)を導入する。
具体的には、ADSNetはターゲットドメインに有益な情報を学ぶように設計されている。
本稿では,情報ゲインを計算するためのゲイン評価戦略を導入し,対象領域の有用な情報を学習する上でモデルを支援するとともに,ノイズのあるサンプルを拒否する機能を提供し,負の転送を避ける。
さらに、異なるドメインを接続し、それらの間の分散距離を減らし、表現空間分布の整合性を高めるためのブリッジとして、ドメイン適応モジュールを設計する。
実際の広告プラットフォーム上で、大規模なオフライン実験とオンラインA/Bテストを実施します。
提案手法は他の手法よりも優れ,GINIを2$\%$で改善する。
Ablation study is highlights the importance of the gain evaluation strategy in negative gain sample rejection and improve model performance。
さらに、ADSNetはロングテール予測を大幅に改善する。
オンラインA/BテストはADSNetの有効性を確認し、オンラインLTVは3.47$\%$、GMVは3.89$\%$になった。
関連論文リスト
- Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。
本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。
本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
論文 参考訳（メタデータ） (2024-07-26T17:51:58Z) - Contrastive Multi-view Framework for Customer Lifetime Value Prediction [48.24479287526052]
既存のLTV予測手法の多くは、消費サンプルに基づいてシングルビューのLTV予測器を直接訓練する。
様々なバックボーンモデルと互換性のあるプラグ・アンド・プレイソリューションであるLTV予測のための対照的なマルチビューフレームワークを提案する。
実世界のLTV予測データセットについて広範な実験を行い,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-06-26T03:23:53Z) - Interpretable Deep Learning for Forecasting Online Advertising Costs: Insights from the Competitive Bidding Landscape [1.0923877073891446]
本稿では,オンライン広告市場における日平均CPCの予測に様々な時系列予測手法を用いた総合的研究について述べる。
時間融合変換器(TFT)を含む統計モデル,機械学習技術,深層学習手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-02-11T19:26:17Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - Arbitrary Distribution Modeling with Censorship in Real-Time Bidding
Advertising [2.562910030418378]
インベントリプライシングの目的は、オンライン広告の機会に適切な価格を入札することであり、これはデマンド・サイド・プラットフォーム(DSP)がリアルタイム入札(RTB)で競売に勝つために不可欠である。
以前の作品の多くは、勝利価格の分布形式を強く仮定し、その正確さを減らし、一般化する能力を弱めた。
我々は,新たな損失関数であるNLL(Neighborhood Likelihood Loss)を提案し,検閲下での勝利価格分布を予測するためのフレームワークであるArbitrary Distribution Modeling(ADM)と協調する。
論文 参考訳（メタデータ） (2021-10-26T11:40:00Z) - Mid-flight Forecasting for CPA Lines in Online Advertising [6.766999405722559]
本稿では,飛行中におけるCPAラインの予測問題について検討する。
提案手法は,様々な性能指標と最適化信号の関係性を生成する。
広告主の支出と効果的なコスト・パー・アクション(eCPA)との関係も特徴である。
論文 参考訳（メタデータ） (2021-07-15T17:48:15Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z) - 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) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z)
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。