論文の概要: Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising

• arxiv url: http://arxiv.org/abs/2508.05206v1
• Date: Thu, 07 Aug 2025 09:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 21:11:55.678013
• Title: Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising
• Title（参考訳）: オンライン広告における多段階整合性に対する入札意識検索
• Authors: Bin Liu, Yunfei Liu, Ziru Xu, Zhaoyu Zhou, Zhi Kou, Yeqiu Yang, Han Zhu, Jian Xu, Bo Zheng,
• Abstract要約: Bidding-Aware Retrieval (BAR) はモデルベースの検索フレームワークであり、検索スコア関数に広告入札値を組み込むことで、多段階の不整合に対処する。 BARの中核となる革新はビディン・アウェア・モデリング(Bidding-Aware Modeling)であり、経済的に一貫性のある表現を確保するために単調な学習とマルチタスクの蒸留を通じて入札信号を取り入れている。 大規模なオフライン実験とAlibabaのディスプレイ広告プラットフォームへのフルスケール展開により、BARの有効性が検証された。
• 参考スコア（独自算出の注目度）: 30.108437268612438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online advertising systems typically use a cascaded architecture to manage massive requests and candidate volumes, where the ranking stages allocate traffic based on eCPM (predicted CTR $\times$ Bid). With the increasing popularity of auto-bidding strategies, the inconsistency between the computationally sensitive retrieval stage and the ranking stages becomes more pronounced, as the former cannot access precise, real-time bids for the vast ad corpus. This discrepancy leads to sub-optimal platform revenue and advertiser outcomes. To tackle this problem, we propose Bidding-Aware Retrieval (BAR), a model-based retrieval framework that addresses multi-stage inconsistency by incorporating ad bid value into the retrieval scoring function. The core innovation is Bidding-Aware Modeling, incorporating bid signals through monotonicity-constrained learning and multi-task distillation to ensure economically coherent representations, while Asynchronous Near-Line Inference enables real-time updates to the embedding for market responsiveness. Furthermore, the Task-Attentive Refinement module selectively enhances feature interactions to disentangle user interest and commercial value signals. Extensive offline experiments and full-scale deployment across Alibaba's display advertising platform validated BAR's efficacy: 4.32% platform revenue increase with 22.2% impression lift for positively-operated advertisements.
• Abstract（参考訳）: オンライン広告システムは通常、大量のリクエストと候補ボリュームを管理するためにカスケードアーキテクチャを使用し、ランキングステージはeCPM(予測CTR $\times$ Bid)に基づいてトラフィックを割り当てる。 自動入札戦略の普及に伴い、計算に敏感な検索段階とランキング段階との矛盾がより顕著になり、前者は広告コーパスの正確なリアルタイム入札にはアクセスできない。 この不一致は、最適でないプラットフォーム収益と広告主の成果につながる。 この問題に対処するために,BAR (Bidding-Aware Retrieval) を提案する。BARは,検索スコア関数に広告入札値を組み込むことで,多段階不整合に対処するモデルベースの検索フレームワークである。 中心となるイノベーションはビディング・アウェア・モデリング(Bidding-Aware Modeling)であり、モノトニック性に制約された学習とマルチタスクの蒸留によって経済的に一貫性のある表現を保証し、非同期ニアライン推論(Asynchronous Near-Line Inference)は市場応答性のための埋め込みのリアルタイム更新を可能にする。 さらに、Task-Attentive Refinementモジュールは、機能相互作用を選択的に強化し、ユーザの興味と商業的価値信号を乱す。 Alibabaのディスプレイ広告プラットフォームにおける大規模なオフライン実験とフルスケール展開により、BARの有効性が検証された。

関連論文リスト

• Multi-task Offline Reinforcement Learning for Online Advertising in Recommender Systems [54.709976343045824]
  現在のオフライン強化学習(RL)手法は、スパース広告シナリオに適用した場合、重大な課題に直面している。 MTORLは,2つの主要な目標を対象とする,新しいマルチタスクオフラインRLモデルである。 我々はマルチタスク学習を用いて行動と報酬をデコードし、同時にチャネルレコメンデーションと予算配分に対処する。
  論文  参考訳（メタデータ） (2025-06-29T05:05:13Z)
• BAT: Benchmark for Auto-bidding Task [67.56067222427946]
  本稿では,最も普及している2種類のオークション形式を含むオークションベンチマークを提案する。 我々は,新しいデータセットに基づいて,一連の堅牢なベースラインを実装した。 このベンチマークは、研究者や実践者が革新的なオートバイディングアルゴリズムを開発し、洗練するための、ユーザフレンドリで直感的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-13T12:12:34Z)
• HCMRM: A High-Consistency Multimodal Relevance Model for Search Ads [10.61722566941537]
  本稿では,広告システムにおけるランク付けの有効性を高めるために,クエリ・ツー・ビデオの関連性マッチングの改善に焦点をあてる。 これは、トレーニング前タスクと関連タスクの整合性を高めるために、シンプルだが効果的な方法を利用している。 提案手法はクアイシュ州検索広告システムに1年以上展開され、無関係広告の割合が6.1%減少し、広告収入が1.4%増加した。
  論文  参考訳（メタデータ） (2025-02-09T09:07:11Z)
• Know in AdVance: Linear-Complexity Forecasting of Ad Campaign Performance with Evolving User Interest [31.40023913908308]
  リアルタイム入札(RTB)の広告主は、試行錯誤の費用を避けるために、予想されるコストと利益を事前にテキスト化したいと願っている。 ローカルオークションとグローバルキャンペーンレベルのモデリングを統合したタイムアウェアフレームワークである textitAdVance を提案する。 AdVanceはTencent Advertisingプラットフォームにデプロイされており、A/Bテストでは平均ユーザ当たり売上(ARPU)が4.5%上昇している。
  論文  参考訳（メタデータ） (2024-05-17T10:22:36Z)
• 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)
• Demystifying Advertising Campaign Bid Recommendation: A Constraint target CPA Goal Optimization [19.857681941728597]
  本稿では,広告主が望むtCPA目標を達成するための入札最適化シナリオを提案する。 我々は厳格に定式化された制約付き最適化問題を解くことで決定を下すために最適化エンジンを構築した。 提案モデルでは,広告主の過去のオークション行動に対する推測を行うことで,広告主の期待に応える入札を自然に推奨することができる。
  論文  参考訳（メタデータ） (2022-12-26T07:43:26Z)
• 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)
• 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。