論文の概要: Constrained user-item allocation for e-commerce marketing campaigns

• arxiv url: http://arxiv.org/abs/2606.09623v1
• Date: Mon, 08 Jun 2026 15:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.384607
• Title: Constrained user-item allocation for e-commerce marketing campaigns
• Title（参考訳）: 電子商取引マーケティングキャンペーンにおける制約付きユーザイテムアロケーション
• Authors: Maja Lindström, Natalija Glisovic, Jan von Pichowski, Tommy Löfstedt, Martin Rosvall,
• Abstract要約: この問題を,ユーザとアイテムを共同で選択して,複数の解離キャンペーンを構築するという,自動目標化として定式化する。 提案手法は, (i) ユーザ-テム親和性行列内の高密度領域を見つけるためのスペクトル双クラスタリング, (ii) グリーディ改善のためのペアスワップを用いたグリーディ局所探索, (iii) 局所オプティマから逃れるためのマルチアームバンディットフレームワークである。 その結果, 両クラスタリングは, キャンペーン品質, リフト, フェアネスのスコアを一貫して達成していることがわかった。
• 参考スコア（独自算出の注目度）: 0.5219568203653523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When running marketing campaigns, retailers must decide which products to promote and which users to target. These decisions are inherently coupled: effective campaigns match users and items with strong mutual affinity into non-overlapping groups of predefined sizes. However, existing approaches assume predefined campaign structure or decouple item selection from user assignment, and cannot discover campaign groupings directly from joint interaction patterns. We therefore formalize this campaign problem as auto-targeting: jointly selecting users and items to construct multiple disjoint campaigns. To solve this combinatorial problem, we propose three complementary strategies: (i) constrained spectral biclustering to find dense regions in the user-item affinity matrix, (ii) greedy local search with pairwise swaps for combinatorial refinement, and (iii) a multi-armed bandit framework to escape local optima through exploration. We evaluate these methods on a synthetic dataset, the Amazon Reviews benchmarks, and large-scale proprietary commercial data, and compare the results to simulated annealing as a baseline. The results show that biclustering consistently achieves the highest campaign quality, lift, and fairness scores. While biclustering runs efficiently on smaller datasets, its runtime increases substantially on very large ones, where bandit-based methods instead offer a scalable alternative.
• Abstract（参考訳）: マーケティングキャンペーンを行う場合、小売業者はどの製品を宣伝するか、どのユーザーをターゲットにするかを決めなければならない。 効果的なキャンペーンは、ユーザと強い相互親和性を持つアイテムを、事前定義されたサイズの重複しないグループにマッチさせる。 しかし、既存のアプローチでは、ユーザの割り当てから事前定義されたキャンペーン構造やアイテムの選択を前提としており、共同インタラクションパターンから直接キャンペーングループを発見できない。 そこで我々は,このキャンペーン問題を自動目標化として,ユーザとアイテムを共同で選択し,複数の不連続なキャンペーンを構築する。 この組み合わせ問題を解決するために,我々は3つの相補的戦略を提案する。 (i) ユーザ・イテム親和性行列内の高密度領域を見つけるためのスペクトル双クラスタリング (二)コンビナトリアルリファインメントのためのペアワイズスワップによる欲求局所探索、及び (三)探究により地域最適から逃れる多武装の盗賊の枠組み。 これらの手法を,合成データセット,Amazon Reviewsベンチマーク,大規模プロプライエタリな商用データを用いて評価し,その結果とシミュレーションアニールをベースラインとして比較した。 その結果, 両クラスタリングは, キャンペーン品質, リフト, フェアネスのスコアを一貫して達成していることがわかった。 ビクラスタリングはより小さなデータセットで効率的に実行されるが、そのランタイムは非常に大きなデータセットでは大幅に増加し、代わりにBanditベースのメソッドがスケーラブルな代替手段を提供する。

関連論文リスト

• Collaborative Group-Aware Hashing for Fast Recommender Systems [66.92426381995695]
  ハッシュ技術はハミング距離計算におけるビット演算によるオンラインレコメンデーションの高速化に優れていた。 既存のハッシュベースのレコメンデーションは、特にスパース設定の低い精度に悩まされている。 本稿では,協調フィルタリングとコンテンツ認識レコメンデーションのための協調グループ意識ハッシュ(CGAH)手法をロッジする。
  論文  参考訳（メタデータ） (2025-12-23T09:07:28Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
  本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。 実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
  論文  参考訳（メタデータ） (2024-02-01T18:52:26Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Robust Consensus Clustering and its Applications for Advertising Forecasting [18.242055675730253]
  我々は,専門家の意見に共通する根拠となる真実を見出すことのできる,ロバストなコンセンサスクラスタリングという新しいアルゴリズムを提案する。 提案手法を実世界の広告キャンペーンセグメンテーションと予測タスクに適用する。
  論文  参考訳（メタデータ） (2022-12-27T21:49:04Z)
• Advertising Media and Target Audience Optimization via High-dimensional Bandits [2.5137859989323537]
  我々は、広告主がオンラインパブリッシャーのデジタル広告管理を自動化するために利用できるデータ駆動アルゴリズムを提案する。 このアルゴリズムにより、広告主は利用可能なターゲットオーディエンスと広告メディアをまたいで検索し、オンライン実験を通じてキャンペーンの最良の組み合わせを見つけることができる。
  論文  参考訳（メタデータ） (2022-09-17T21:00:53Z)
• Targeted Advertising on Social Networks Using Online Variational Tensor Regression [21.40403535421477]
  我々は、オンラインターゲティング広告のための最初の文脈的盗賊フレームワークであると考えるものを提案する。 提案するフレームワークは,多モードテンソルの形で,任意の特徴ベクトルに対応するように設計されている。 提案したUCBアルゴリズムは,ベンチマークによる影響タスクの大幅な改善を実現することを実証的に確認する。
  論文  参考訳（メタデータ） (2022-08-22T22:10:45Z)
• Time Series Clustering for Grouping Products Based on Price and Sales Patterns [0.3518016233072556]
  製品価格と販売の連携を考慮に入れた新しい距離指標を提案する。 カスタム評価指標とCalinski HarabaszおよびDavies Bouldin指標を用いて,クラスタリングアルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2022-04-18T14:24:42Z)
• 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)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。