論文の概要: Cold-Starting Podcast Ads and Promotions with Multi-Task Learning on Spotify

• arxiv url: http://arxiv.org/abs/2601.02306v1
• Date: Mon, 05 Jan 2026 17:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.329232
• Title: Cold-Starting Podcast Ads and Promotions with Multi-Task Learning on Spotify
• Title（参考訳）: Spotifyにおけるマルチタスク学習によるコールドスタートポッドキャスト広告とプロモーション
• Authors: Shivam Verma, Hannes Karlbom, Yu Zhao, Nick Topping, Vivian Chen, Kieran Stanley, Bharath Rengarajan,
• Abstract要約: 本稿では,Spotifyポッドキャストエコシステム内の広告とプロモーションの両方を対象として,統合された多目的モデルを提案する。 オンラインA/Bテストは、効果的なコスト・パー・ストリームを22%削減する。 私たちの経験から、統一的なモデリング戦略は保守性、コールドスタート性能、カバレッジを改善します。
• 参考スコア（独自算出の注目度）: 2.204478225790133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a unified multi-objective model for targeting both advertisements and promotions within the Spotify podcast ecosystem. Our approach addresses key challenges in personalization and cold-start initialization, particularly for new advertising objectives. By leveraging transfer learning from large-scale ad and content interactions within a multi-task learning (MTL) framework, a single joint model can be fine-tuned or directly applied to new or low-data targeting tasks, including in-app promotions. This multi-objective design jointly optimizes podcast outcomes such as streams, clicks, and follows for both ads and promotions using a shared representation over user, content, context, and creative features, effectively supporting diverse business goals while improving user experience. Online A/B tests show up to a 22% reduction in effective Cost-Per-Stream (eCPS), particularly for less-streamed podcasts, and an 18-24% increase in podcast stream rates. Offline experiments and ablations highlight the contribution of ancillary objectives and feature groups to cold-start performance. Our experience shows that a unified modeling strategy improves maintainability, cold-start performance, and coverage, while breaking down historically siloed targeting pipelines. We discuss practical trade-offs of such joint models in a real-world advertising system.
• Abstract（参考訳）: 本稿では,Spotifyポッドキャストエコシステム内の広告とプロモーションの両方を対象として,統合された多目的モデルを提案する。 われわれのアプローチは、パーソナライズとコールドスタート初期化における重要な課題、特に新しい広告目的に対処する。 マルチタスク学習(MTL)フレームワーク内での大規模広告とコンテンツインタラクションからの伝達学習を活用することで、アプリケーション内でのプロモーションを含む新しいタスクやローデータターゲティングタスクに対して、単一のジョイントモデルを微調整あるいは直接適用することができる。 この多目的デザインは、ストリーム、クリック、および広告とプロモーションの両方において、ユーザ、コンテンツ、コンテキスト、クリエイティブ機能の共有表現を使用して、ポッドキャストの結果を共同で最適化し、ユーザエクスペリエンスを改善しながら、多様なビジネス目標を効果的にサポートする。 オンラインA/Bテストでは、特にストリーミングの少ないポッドキャストでは、効果的なコスト・パー・ストリーム(eCPS)が22%削減され、ポッドキャストのストリームレートが18～24%増加した。 オフライン実験と改善は、コールドスタートのパフォーマンスに対する補助目標と特徴群の貢献を強調している。 私たちの経験から、統一されたモデリング戦略は、歴史的にサイロ化されたターゲティングパイプラインを分解しながら、保守性、コールドスタートパフォーマンス、カバレッジを改善します。 本稿では,現実の広告システムにおいて,このようなジョイントモデルの実践的トレードオフについて論じる。

関連論文リスト

• SUMMA: A Multimodal Large Language Model for Advertisement Summarization [15.514886325064792]
  本研究では,ビデオ広告を商品価値の高いコンテンツを強調する要約に加工するモデルであるSUMMAを提案する。 SUMMAは2段階の訓練戦略-マルチモーダル指導型微調整と強化学習によって開発される。 オンライン実験は、統計的に広告収入が1.5%増加したことを示している。
  論文  参考訳（メタデータ） (2025-08-28T09:19:53Z)
• 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)
• An Audio-centric Multi-task Learning Framework for Streaming Ads Targeting on Spotify [0.0]
  Spotifyの月間アクティブユーザー数は6億7500万人を超え、何百万時間もの音楽、ポッドキャスト、オーディオブック、ビデオコンテンツを消費している。 この多様なコンテンツ消費パターンは、計算広告に固有の課題をもたらす。 本稿では,クリックスルーレート(CTR)予測を音声中心とマルチモーダルの両方で最適化する新しいフレームワークであるCross-modal Adaptive Mixture-of-Experts(CAMoE)を紹介する。
  論文  参考訳（メタデータ） (2025-06-23T15:11:43Z)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• 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)
• CAMTA: Causal Attention Model for Multi-touch Attribution [25.258282793367453]
  本研究では,ユーザ個人化MTAのカジュアルアトリビューション機構である,新しいディープリカレントニューラルネットワークアーキテクチャCAMTAを提案する。 複数のベースラインと比較し,予測精度に関してcamtaの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-21T15:05:00Z)
• 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。