論文の概要: A Unified Online-Offline Framework for Co-Branding Campaign Recommendations

• arxiv url: http://arxiv.org/abs/2505.22254v1
• Date: Wed, 28 May 2025 11:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.576412
• Title: A Unified Online-Offline Framework for Co-Branding Campaign Recommendations
• Title（参考訳）: Co-Brandingキャンペーン勧告のための統合オンラインオフラインフレームワーク
• Authors: Xiangxiang Dai, Xiaowei Sun, Jinhang Zuo, Xutong Liu, John C. S. Lui,
• Abstract要約: 共同ブランドレコメンデーションを可能にする統合オンラインオフラインフレームワークを提案する。 私たちのアプローチは、"開始"と"ターゲット"のブランドをリンクする二部グラフを構築することから始まります。 オフライン最適化の段階において、我々のフレームワークは、複数のサブブランドの利益を同じ親ブランドの下に集約し、全体的なリターンを最大化する。
• 参考スコア（独自算出の注目度）: 30.56848329525108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Co-branding has become a vital strategy for businesses aiming to expand market reach within recommendation systems. However, identifying effective cross-industry partnerships remains challenging due to resource imbalances, uncertain brand willingness, and ever-changing market conditions. In this paper, we provide the first systematic study of this problem and propose a unified online-offline framework to enable co-branding recommendations. Our approach begins by constructing a bipartite graph linking ``initiating'' and ``target'' brands to quantify co-branding probabilities and assess market benefits. During the online learning phase, we dynamically update the graph in response to market feedback, while striking a balance between exploring new collaborations for long-term gains and exploiting established partnerships for immediate benefits. To address the high initial co-branding costs, our framework mitigates redundant exploration, thereby enhancing short-term performance while ensuring sustainable strategic growth. In the offline optimization phase, our framework consolidates the interests of multiple sub-brands under the same parent brand to maximize overall returns, avoid excessive investment in single sub-brands, and reduce unnecessary costs associated with over-prioritizing a single sub-brand. We present a theoretical analysis of our approach, establishing a highly nontrivial sublinear regret bound for online learning in the complex co-branding problem, and enhancing the approximation guarantee for the NP-hard offline budget allocation optimization. Experiments on both synthetic and real-world co-branding datasets demonstrate the practical effectiveness of our framework, with at least 12\% improvement.
• Abstract（参考訳）: コブランディングは、レコメンデーションシステム内での市場リーチ拡大を目指す企業にとって重要な戦略となっている。 しかし、資源不均衡、不確実なブランド意欲、そして常に変化する市場の状況のために、効果的な産業間パートナーシップの特定は依然として困難である。 本稿では,この問題を初めて体系的に研究し,共同ブランドレコメンデーションを実現するための統合オンラインオフラインフレームワークを提案する。 当社のアプローチは、共ブランドの確率を定量化し、市場利益を評価するために、‘initiating’と‘target’のブランドをリンクする二部グラフの構築から始まります。 オンライン学習フェーズでは、市場からのフィードバックに応えて、グラフを動的に更新すると同時に、長期的な利益のために新たなコラボレーションを探求することと、即時利益のために確立されたパートナーシップを活用することのバランスを崩す。 当社のフレームワークは,初期共同ブランドコストの高騰に対処するため,冗長な探索を緩和し,持続的な戦略的成長を確保しつつ,短期的な性能を向上させる。 オフライン最適化フェーズでは、同一親ブランドの下で複数のサブブランドの利益を集約し、全体的なリターンを最大化し、単一サブブランドへの過剰な投資を回避し、単一サブブランドの過剰な優先順位付けに伴う不要なコストを削減する。 本稿では,提案手法の理論的解析を行い,複雑な共同ブランド問題におけるオンライン学習のための極めて非自明なサブリニアな後悔点を確立するとともに,NPハードなオフライン予算配分最適化の近似保証を向上する。 合成および実世界の共同ブランドデータセットの実験は、我々のフレームワークの実用的効果を実証し、少なくとも12%改善した。

関連論文リスト

• From Restless to Contextual: A Thresholding Bandit Approach to Improve Finite-horizon Performance [4.770896774729555]
  オンラインのレスレス・バンディットは、国家の移行と予算の制約を取り入れることで、古典的な文脈的バンディットを拡張している。 我々は、拡張性のある予算付きしきい値付き帯域幅問題として問題を再構築する。 本稿では,オンラインマルチステート設定において,最小限の最小定数後悔を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-07T18:23:43Z)
• Strategically-Robust Learning Algorithms for Bidding in First-Price Auctions [11.988955088595858]
  ゲーム理論と機械学習のインターフェースにおいて,プライスオークションを繰り返し競うことの学習は基本的な問題である。 本稿では,プライスオークションにおける純ストラテジー入札のための新しいコンケーブの定式化を提案し,この問題に対する自然なグラディエント・アセンセント・アルゴリズムの解析に利用した。
  論文  参考訳（メタデータ） (2024-02-12T01:33:33Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Brand Network Booster: A new system for improving brand connectivity [0.0]
  本稿では,セマンティックネットワークの詳細な分析を行うための新しい意思決定支援システムを提案する。 この目的は、最大相互性改善問題の拡張版を解くことで達成されることを示す。 私たちのコントリビューションには、新たなアルゴリズムフレームワークと、Brand Network Boosterと呼ばれるソフトウェアシステムへのこのフレームワークの統合が含まれています。
  論文  参考訳（メタデータ） (2023-09-28T08:09:33Z)
• Interactive Learning with Pricing for Optimal and Stable Allocations in Markets [12.580391999838128]
  大規模オンラインレコメンデーションシステムは、ユーザのフィードバックから好みを学習しながら、競合するユーザ間で限られた数のアイテムの割り当てを容易にする必要がある。 我々のフレームワークは、報酬を楽観的に最大化するアロケーションを探索することで、レコメンデーションの品質を高める。 不安定性を最小限に抑えるため、推薦されたアロケーションから逸脱するユーザのインセンティブを測定するため、アルゴリズムはWalrasian equilibriaから派生したスキームに基づいてアイテムを価格設定する。 本手法は, 帯域幅, 最適資源配分, 協調フィルタリングの手法を統合し, サブリニアな社会福祉の後悔と, サブリニアな不安定性を実現するアルゴリズムを得るための最初の手法である。
  論文  参考訳（メタデータ） (2022-12-13T20:33:54Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)
• Learn to Match with No Regret: Reinforcement Learning in Markov Matching Markets [151.03738099494765]
  我々は、市場の両側でプランナーと戦略エージェントのセットを含むマルコフマッチング市場について検討する。 本稿では,楽観的な値反復と最大重みマッチングを組み合わせた強化学習フレームワークを提案する。 我々は,アルゴリズムがサブ線形後悔を実現することを証明した。
  論文  参考訳（メタデータ） (2022-03-07T19:51:25Z)

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。