論文の概要: LDACP: Long-Delayed Ad Conversions Prediction Model for Bidding Strategy

• arxiv url: http://arxiv.org/abs/2411.16095v1
• Date: Mon, 25 Nov 2024 05:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:36.637264
• Title: LDACP: Long-Delayed Ad Conversions Prediction Model for Bidding Strategy
• Title（参考訳）: LDACP:長期遅延広告変換予測モデル
• Authors: Peng Cui, Yiming Yang, Fusheng Jin, Siyuan Tang, Yunli Wang, Fukang Yang, Yalong Jia, Qingpeng Cai, Fei Pan, Changcheng Li, Peng Jiang,
• Abstract要約: オンライン広告において、広告キャンペーンが展開されると、自動入札システムは、広告変換数に基づいて入札戦略を動的に調整し、コストパーアクション(CPA)を最適化する。 長い変換遅延のある広告では、入札戦略の信号としてリアルタイム追跡変換番号のみに依存することで、現在のCPAを著しく過大評価することができる。 本稿では,2つのサブモジュールからなる入札戦略 (LDACP) のための長遅延広告変換予測モデルを提案する。
• 参考スコア（独自算出の注目度）: 41.47663880864219
• License:
• Abstract: In online advertising, once an ad campaign is deployed, the automated bidding system dynamically adjusts the bidding strategy to optimize Cost Per Action (CPA) based on the number of ad conversions. For ads with a long conversion delay, relying solely on the real-time tracked conversion number as a signal for bidding strategy can significantly overestimate the current CPA, leading to conservative bidding strategies. Therefore, it is crucial to predict the number of long-delayed conversions. Nonetheless, it is challenging to predict ad conversion numbers through traditional regression methods due to the wide range of ad conversion numbers. Previous regression works have addressed this challenge by transforming regression problems into bucket classification problems, achieving success in various scenarios. However, specific challenges arise when predicting the number of ad conversions: 1) The integer nature of ad conversion numbers exacerbates the discontinuity issue in one-hot hard labels; 2) The long-tail distribution of ad conversion numbers complicates tail data prediction. In this paper, we propose the Long-Delayed Ad Conversions Prediction model for bidding strategy (LDACP), which consists of two sub-modules. To alleviate the issue of discontinuity in one-hot hard labels, the Bucket Classification Module with label Smoothing method (BCMS) converts one-hot hard labels into non-normalized soft labels, then fits these soft labels by minimizing classification loss and regression loss. To address the challenge of predicting tail data, the Value Regression Module with Proxy labels (VRMP) uses the prediction bias of aggregated pCTCVR as proxy labels. Finally, a Mixture of Experts (MoE) structure integrates the predictions from BCMS and VRMP to obtain the final predicted ad conversion number.
• Abstract（参考訳）: オンライン広告において、広告キャンペーンが展開されると、自動入札システムは、広告変換数に基づいて入札戦略を動的に調整し、コストパーアクション(CPA)を最適化する。 長い変換遅延のある広告では、入札戦略のシグナルとしてリアルタイムの追跡された変換番号のみを頼りにすれば、現在のCPAを著しく過大評価でき、保守的な入札戦略につながる。 したがって、長遅延変換の数を予測することが重要である。 しかし,広告変換数の範囲が広いため,従来の回帰手法を用いて広告変換数を予測することは困難である。 従来の回帰研究は、回帰問題をバケット分類問題に変換し、様々なシナリオで成功させることで、この問題に対処してきた。 しかし、広告変換の数を予測する際には、特定の課題が発生する。 1) 広告変換番号の整数の性質は, 1ホットハードラベルの不連続性問題を悪化させる。 2) 広告変換数のロングテール分布はテールデータ予測を複雑にする。 本稿では,2つのサブモジュールからなる入札戦略 (LDACP) のための長遅延広告変換予測モデルを提案する。 1ホットハードラベルの不連続性を軽減するため、Bucket Classification Module with label Smoothing Method (BCMS)は1ホットハードラベルを非正規化ソフトラベルに変換し、分類損失と回帰損失を最小化してこれらのソフトラベルに適合させる。 テールデータ予測の課題に対処するため、Proxy labels(VRMP)を用いたValue Regression Moduleは、集約されたpCTCVRの予測バイアスをプロキシラベルとして使用する。 最後に、Mixture of Experts (MoE) 構造は、BCMSとVRMPの予測を統合し、最終的な予測された広告変換数を得る。

関連論文リスト

• A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
  イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。 基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。 私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
  論文  参考訳（メタデータ） (2024-10-14T15:59:16Z)
• Improving conversion rate prediction via self-supervised pre-training in online advertising [2.447795279790662]
  変換-ギブン-クリックを予測するモデルのトレーニングにおける重要な課題は、データの疎性にある。 我々は、自己教師付き事前学習というよく知られたアイデアを使用し、すべての変換イベントに基づいて訓練された補助的オートエンコーダモデルを使用する。 オフラインでも、トレーニング中でも、オンラインA/Bテストでも改善が見られます。
  論文  参考訳（メタデータ） (2024-01-25T08:44:22Z)
• Label Shift Adapter for Test-Time Adaptation under Covariate and Label Shifts [48.83127071288469]
  テスト時間適応(TTA)は、推論中にバッチ・バイ・バッチ方式で、事前訓練されたモデルをターゲットドメインに適応することを目的としている。 これまでのほとんどのTTAアプローチは、ソースとターゲットのドメインのデータセットがバランスの取れたラベルの分布を持っていると仮定している。 本稿では,ラベルシフトを効果的に扱うために,既存のTTAアプローチに組み込む新しいラベルシフトアダプタを提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:37:37Z)
• Beyond mAP: Towards better evaluation of instance segmentation [23.562251593257674]
  平均精度は、ハイリコール範囲における重複予測をペナルティ化しない。 本研究では,空間的およびカテゴリー的両方の重複予測の量を明示的に測定する2つの新しい手法を提案する。 当社のセマンティックソーティングとNMSは,ヘッジド予測を緩和し,APを保存するためのプラグイン・アンド・プレイモジュールとして追加することができる。
  論文  参考訳（メタデータ） (2022-07-04T17:56:14Z)
• Learning over No-Preferred and Preferred Sequence of Items for Robust Recommendation (Extended Abstract) [69.50145858681951]
  本稿では,暗黙のフィードバックよりも大規模レコメンダシステム(RS)を訓練するための理論的に支持された逐次戦略を提案する。 本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-26T22:29:43Z)
• Handling many conversions per click in modeling delayed feedback [6.14776588144073]
  クリック後の変換は、パフォーマンスベースのデジタル広告の重要なタスクです。 3つの中核的なアイデアに基づく偏りのない推定モデルを用いて,これらの課題に取り組む。 第1のアイデアはラベルを異なる遅延バケットを持つラベルの和として分割し、第2のアイデアは精度の向上と推論コストの削減に温度計エンコーディングを使用することであり、第3のアイデアはモデルの安定性の向上と分布のドリフトの処理に補助情報を使用することである。
  論文  参考訳（メタデータ） (2021-01-06T21:57:51Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• Capturing Delayed Feedback in Conversion Rate Prediction via Elapsed-Time Sampling [29.77426549280091]
  コンバージョンレート(CVR)予測は、デジタルディスプレイ広告において最も重要なタスクの1つである。 Elapsed-Time Smpling Delayed Feedback Model (ES-DFM) を提案する。
  論文  参考訳（メタデータ） (2020-12-06T12:20:50Z)
• Semi-Supervised Models via Data Augmentationfor Classifying Interactive Affective Responses [85.04362095899656]
  本稿では、対話型感情応答を分類する半教師付きテキスト分類システムSMDA(Data Augmentation)を提案する。 ラベル付き文に対しては,ラベル分布の均一化と学習過程における教師付き損失の計算のためにデータ拡張を行った。 ラベルなし文に対しては,ラベルなし文に対する低エントロピー予測を擬似ラベルとして検討した。
  論文  参考訳（メタデータ） (2020-04-23T05:02:31Z)

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。