論文の概要: Ads Supply Personalization via Doubly Robust Learning

• arxiv url: http://arxiv.org/abs/2410.12799v1
• Date: Sun, 29 Sep 2024 06:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 10:10:14.216546
• Title: Ads Supply Personalization via Doubly Robust Learning
• Title（参考訳）: 二重ロバスト学習による広告提供パーソナライズ
• Authors: Wei Shi, Chen Fu, Qi Xu, Sanjian Chen, Jizhe Zhang, Qinqin Zhu, Zhigang Hua, Shuang Yang,
• Abstract要約: 広告供給のパーソナライゼーションは、広告量と密度を調整することによって、ソーシャルメディア広告における2つの長期的な目標である、収益とユーザエンゲージメントのバランスを図ることを目的としている。 本稿では,パーソナライズされた広告配信のためのフレームワークを提案する。 データの収集方針からの情報を2倍頑健な学習を通じて最適に活用し,長期処理効果推定の精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 13.392289135329833
• License:
• Abstract: Ads supply personalization aims to balance the revenue and user engagement, two long-term objectives in social media ads, by tailoring the ad quantity and density. In the industry-scale system, the challenge for ads supply lies in modeling the counterfactual effects of a conservative supply treatment (e.g., a small density change) over an extended duration. In this paper, we present a streamlined framework for personalized ad supply. This framework optimally utilizes information from data collection policies through the doubly robust learning. Consequently, it significantly improves the accuracy of long-term treatment effect estimates. Additionally, its low-complexity design not only results in computational cost savings compared to existing methods, but also makes it scalable for billion-scale applications. Through both offline experiments and online production tests, the framework consistently demonstrated significant improvements in top-line business metrics over months. The framework has been fully deployed to live traffic in one of the world's largest social media platforms.
• Abstract（参考訳）: 広告供給のパーソナライゼーションは、広告量と密度を調整することによって、ソーシャルメディア広告における2つの長期的な目標である、収益とユーザエンゲージメントのバランスを図ることを目的としている。 産業規模のシステムでは、広告供給の課題は、保守的な供給処理(例えば、小さな密度変化)が長期にわたる影響をモデル化することにある。 本稿では,パーソナライズされた広告配信のためのフレームワークを提案する。 このフレームワークは、2倍の堅牢な学習を通じて、データ収集ポリシーからの情報を最適に活用する。 これにより、長期治療効果推定の精度が大幅に向上する。 さらに、その低複雑さ設計は、既存の方法に比べて計算コストの削減をもたらすだけでなく、数十億規模のアプリケーションにもスケーラブルである。 オフライン実験とオンラインプロダクションテストの両方を通じて、このフレームワークは数ヶ月にわたってトップラインのビジネスメトリクスを大幅に改善した。 このフレームワークは、世界最大のソーシャルメディアプラットフォームのひとつで、ライブトラフィックに完全にデプロイされている。

関連論文リスト

• Click Without Compromise: Online Advertising Measurement via Per User Differential Privacy [22.38999810583601]
  本稿では,広告測定結果のための新しいユーザレベルの差分プライバシー保護スキームであるAds-BPCを紹介する。 Ads-BPCは、広告測定に適用された既存のストリーミングDPメカニズムよりも25%から50%精度が向上する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:19Z)
• Small Dataset, Big Gains: Enhancing Reinforcement Learning by Offline Pre-Training with Model Based Augmentation [59.899714450049494]
  オフラインの事前トレーニングは、準最適ポリシーを生成し、オンライン強化学習のパフォーマンスを低下させる可能性がある。 本稿では,オフライン強化学習による事前学習のメリットを最大化し,有効となるために必要なデータの規模を削減するためのモデルベースデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-15T14:49:41Z)
• 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)
• 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)
• 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)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• 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)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• 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)

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。