論文の概要: Bid2X: Revealing Dynamics of Bidding Environment in Online Advertising from A Foundation Model Lens

• arxiv url: http://arxiv.org/abs/2510.23410v1
• Date: Mon, 27 Oct 2025 15:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.586478
• Title: Bid2X: Revealing Dynamics of Bidding Environment in Online Advertising from A Foundation Model Lens
• Title（参考訳）: Bid2X:基礎モデルレンズによるオンライン広告におけるバイディング環境のダイナミクスの解明
• Authors: Jiahao Ji, Tianyu Wang, Yeshu Li, Yushen Huo, Zhilin Zhang, Chuan Yu, Jian Xu, Bo Zheng,
• Abstract要約: 本稿では,この基本関数を様々なシナリオのデータから学習するために,入札基盤モデルBid2Xを提案する。 私たちのモデルは、世界最大のeコマースプラットフォームであるTaobaoの広告プラットフォームにデプロイされています。
• 参考スコア（独自算出の注目度）: 20.38823641084096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auto-bidding is crucial in facilitating online advertising by automatically providing bids for advertisers. While previous work has made great efforts to model bidding environments for better ad performance, it has limitations in generalizability across environments since these models are typically tailored for specific bidding scenarios. To this end, we approach the scenario-independent principles through a unified function that estimates the achieved effect under specific bids, such as budget consumption, gross merchandise volume (GMV), page views, etc. Then, we propose a bidding foundation model Bid2X to learn this fundamental function from data in various scenarios. Our Bid2X is built over uniform series embeddings that encode heterogeneous data through tailored embedding methods. To capture complex inter-variable and dynamic temporal dependencies in bidding data, we propose two attention mechanisms separately treating embeddings of different variables and embeddings at different times as attention tokens for representation learning. On top of the learned variable and temporal representations, a variable-aware fusion module is used to perform adaptive bidding outcome prediction. To model the unique bidding data distribution, we devise a zero-inflated projection module to incorporate the estimated non-zero probability into its value prediction, which makes up a joint optimization objective containing classification and regression. The objective is proven to converge to the zero-inflated distribution. Our model has been deployed on the ad platform in Taobao, one of the world's largest e-commerce platforms. Offline evaluation on eight datasets exhibits Bid2X's superiority compared to various baselines and its generality across different scenarios. Bid2X increased GMV by 4.65% and ROI by 2.44% in online A/B tests, paving the way for bidding foundation model in computational advertising.
• Abstract（参考訳）: 自動入札は、広告主に自動入札を提供することによって、オンライン広告の促進に不可欠である。 従来の作業では、入札環境をモデル化して広告パフォーマンスを向上させる努力をしてきたが、これらのモデルは通常、特定の入札シナリオに合わせたものであるため、環境全体の一般化性に制限がある。 この目的のために、予算消費、総生産量(GMV)、ページビューなど、特定の入札において達成された効果を推定する統一的な機能を通じてシナリオ非依存の原則にアプローチする。 そこで我々は,この基本関数を様々なシナリオのデータから学習するために,入札基礎モデルBid2Xを提案する。 私たちのBid2Xは、均一なシリアル埋め込みの上に構築されています。 入札データにおける複雑な変数間および動的時間的依存関係を捉えるために、異なる変数の埋め込みと異なるタイミングでの埋め込みを、表現学習のための注意トークンとして別々に扱う2つの注意機構を提案する。 学習した変数と時間表現に加えて、変数認識融合モジュールを使用して、適応入札結果予測を行う。 独自の入札データ分布をモデル化するため,予測された非ゼロ確率を値予測に組み込むため,ゼロ膨らんだプロジェクションモジュールを考案し,分類と回帰を含む共同最適化の目標を構成する。 この目的は、ゼロインフレード分布に収束することが証明されている。 私たちのモデルは、世界最大のeコマースプラットフォームであるTaobaoの広告プラットフォームにデプロイされています。 8つのデータセットのオフライン評価は、Bid2Xの様々なベースラインに対する優位性と、さまざまなシナリオにおけるその一般化を示している。 Bid2X は GMV を4.65%、ROI を2.44% 増加させ、計算広告の基盤モデルを入札する道を開いた。

関連論文リスト

• Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising [30.108437268612438]
  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。
  論文  参考訳（メタデータ） (2025-08-07T09:43:34Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• AIGB: Generative Auto-bidding via Conditional Diffusion Modeling [26.283427427408085]
  本稿では,AIGB(AI-Generated Bidding)について紹介する。 このパラダイムでは、入札生成のための条件付き拡散モデルであるDiffBidを提案する。 Alibabaの広告プラットフォーム上で、実世界のデータセットとオンラインA/Bテストで実施された実験は、DiffBidの有効性を実証している。
  論文  参考訳（メタデータ） (2024-05-25T09:21:43Z)
• 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)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)

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。