論文の概要: Enhancing Monotonic Modeling with Spatio-Temporal Adaptive Awareness in Diverse Marketing
- arxiv url: http://arxiv.org/abs/2406.14132v1
- Date: Thu, 20 Jun 2024 09:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 14:31:01.278417
- Title: Enhancing Monotonic Modeling with Spatio-Temporal Adaptive Awareness in Diverse Marketing
- Title（参考訳）: 異種マーケティングにおける時空間適応認識によるモノトニックモデリングの強化
- Authors: Bin Li, Jiayan Pei, Feiyang Xiao, Yifan Zhao, Zhixing Zhang, Diwei Liu, HengXu He, Jia Jia,
- Abstract要約: OFOSプラットフォームは、支払いを促進するためにユーザーや商人に動的アロケーションインセンティブを提供する。
本稿では,マーケティング価格の高効率化を実現するために,制約付きモノトニック適応ネットワーク(CoMAN)を提案する。
提案手法の有効性を実証し, モノトニック・オブ・ザ・アーティファクト法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 15.024320284683215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the mobile internet era, the Online Food Ordering Service (OFOS) emerges as an integral component of inclusive finance owing to the convenience it brings to people. OFOS platforms offer dynamic allocation incentives to users and merchants through diverse marketing campaigns to encourage payments while maintaining the platforms' budget efficiency. Despite significant progress, the marketing domain continues to face two primary challenges: (i) how to allocate a limited budget with greater efficiency, demanding precision in predicting users' monotonic response (i.e. sensitivity) to incentives, and (ii) ensuring spatio-temporal adaptability and robustness in diverse marketing campaigns across different times and locations. To address these issues, we propose a Constrained Monotonic Adaptive Network (CoMAN) method for spatio-temporal perception within marketing pricing. Specifically, we capture spatio-temporal preferences within attribute features through two foundational spatio-temporal perception modules. To further enhance catching the user sensitivity differentials to incentives across varied times and locations, we design modules for learning spatio-temporal convexity and concavity as well as for expressing sensitivity functions. CoMAN can achieve a more efficient allocation of incentive investments during pricing, thus increasing the conversion rate and orders while maintaining budget efficiency. Extensive offline and online experimental results within our diverse marketing campaigns demonstrate the effectiveness of the proposed approach while outperforming the monotonic state-of-the-art method.
- Abstract（参考訳）: モバイルインターネット時代において、オンライン食品注文サービス(OFOS)は、それが人々にもたらす利便性のために、包括的金融の不可欠な構成要素として出現する。
OFOSプラットフォームは、様々なマーケティングキャンペーンを通じてユーザーや商人に動的なアロケーションインセンティブを提供し、プラットフォームの予算効率を維持しながら支払いを促進する。
大きな進歩にもかかわらず、マーケティング分野は2つの大きな課題に直面し続けている。
一 利用者のインセンティブに対する単調反応(感度)の予測の精度を要求され、かつ、より効率のよい限られた予算を割り当てる方法
(二)異なる時期・場所にわたる多様なマーケティングキャンペーンにおいて、時空間適応性と堅牢性を確保すること。
これらの問題に対処するために,マーケティング価格の時空間認識のための制約付きモノトニック適応ネットワーク(CoMAN)手法を提案する。
具体的には、2つの基本時空間知覚モジュールを通して属性特徴内の時空間的嗜好を捉える。
様々な時間や場所のインセンティブに対するユーザ感度差の捕捉をさらに促進するために,時空間の凸度と凹度を学習するためのモジュールを設計し,感度関数を表現する。
CoMANは、価格設定中により効率的なインセンティブ投資の配分を達成でき、予算効率を維持しつつ、変換率と注文を増加させることができる。
多様なマーケティングキャンペーンにおける大規模なオフラインおよびオンライン実験の結果は、モノトニック・オブ・ザ・アーティファクト・メソッドを上回りながら、提案手法の有効性を実証している。
関連論文リスト
- Improving Point-based Crowd Counting and Localization Based on Auxiliary Point Guidance [59.71186244597394]
本稿では,提案手法における提案対象マッチングの安定化に有効な手法を提案する。
本稿では,提案手法の選択と最適化のために,Auxiliary Point Guidance (APG)を提案する。
また,多様な群集シナリオにおける適応的特徴抽出を可能にするために,IFI(Implicit Feature Interpolation)を開発した。
論文 参考訳（メタデータ） (2024-05-17T07:23:27Z) - AdCraft: An Advanced Reinforcement Learning Benchmark Environment for
Search Engine Marketing Optimization [0.6554326244334868]
本稿では,Reinforcement Learning (RL)コミュニティのための新しいベンチマーク環境であるAdCraftを紹介する。
この環境は、デジタルマーケティング技術である検索エンジンマーケティング(SEM)内の入札と予算のダイナミクスをシミュレートする。
我々は,エージェントの収束と不定常性によるパフォーマンスに課される課題を実証する。
論文 参考訳（メタデータ） (2023-06-21T01:53:01Z) - An End-to-End Framework for Marketing Effectiveness Optimization under
Budget Constraint [25.89397524825504]
予算制約下でのビジネス目標を直接最適化する新しいエンドツーエンドフレームワークを提案する。
我々の中核となる考え方は、マーケティング目標を表現し、勾配推定技術を用いて効率的に最適化する正規化器を構築することである。
提案手法は現在,ショートビデオプラットフォーム上で数億人のユーザに対して,マーケティング予算を配分するためにデプロイされている。
論文 参考訳（メタデータ） (2023-02-09T07:39:34Z) - Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。
MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。
実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文 参考訳（メタデータ） (2022-09-30T03:40:10Z) - Personalized Promotion Decision Making Based on Direct and Enduring
Effect Predictions [5.50110172922112]
本稿では,顧客ごとの直接的かつ永続的な対応をモデル化し,複数治療促進意思決定の枠組みを提案する。
まず、顧客直接持続効果(CDEE)モデルを提案し、顧客直接持続応答を予測する。
CDEEの助けを借りて、コストを予算に抑えつつ、持続的な効果を最適化するためにインセンティブアロケーションをパーソナライズする。
論文 参考訳（メタデータ） (2022-07-23T07:13:57Z) - 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) - A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in
Online Advertising [53.636153252400945]
本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。
当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
論文 参考訳（メタデータ） (2021-06-11T08:07:14Z) - 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) - Graph Representation Learning for Merchant Incentive Optimization in
Mobile Payment Marketing [26.154050518762457]
本稿では,モバイル決済マーケティングにおける商店インセンティブ最適化のための取引ネットワーク上のグラフ表現学習手法を提案する。
私たちは、各商人に対するインセンティブに対する感受性をモデル化することができ、マーケティングキャンペーンで強い感受性を示す商人に予算を費やすことができます。
論文 参考訳（メタデータ） (2020-02-27T18:48:55Z) - MoTiAC: Multi-Objective Actor-Critics for Real-Time Bidding [47.555870679348416]
そこで本研究では,MoTiACというマルチエクティブ・アクタ・クリティカルスアルゴリズムを提案する。
従来のRLモデルとは異なり、提案されたMoTiACは複雑な入札環境で同時に多目的タスクを達成できる。
論文 参考訳（メタデータ） (2020-02-18T07:16:39Z)
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。