論文の概要: Dynamic Click Destinations: Personalizing Post Ad-Click Landing Experiences

• arxiv url: http://arxiv.org/abs/2611.01287v1
• Date: Sat, 31 Oct 2026 21:38:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:02:40.189061
• Title: Dynamic Click Destinations: Personalizing Post Ad-Click Landing Experiences
• Title（参考訳）: Dynamic Click Destinations: クリック後のランディング体験をパーソナライズ
• Abstract要約: 提案するDCD(Dynamic Click Destinations)は,広告主価値(AV)を最大化するために,適当オフサイトの広告クリック毎の宛先を選択する生産パーソナライズフレームワークである。 DCDはクリック後の目的地決定に適用され、システムはクリック時に目的地を選択することができ、ダウンストリーム変換フィードバックが利用できる。 Web-vs-appケーススタディでは、主要な広告プラットフォーム上でのオンラインA/B実験が、DCDによるクリックごとのパーソナライズが静的ルーティングポリシーの両方を上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.9576821967808625
• License:
• Abstract: Apps that monetize outbound (offsite) ad clicks have multiple post ad-click levers that influence user and business outcomes, including the landing page shown on the advertiser's site, whether the click resolves to a webpage or an app on the user's device, and whether it resolves to a native in-product surface or an external website. We refer to personalization over these levers as post ad-click destination automation. The optimal destination is heterogeneous across users, advertisers, placements, devices, and inferred intent, making static, one-size-fits-all destination policies suboptimal. We present Dynamic Click Destinations (DCD), a production personalization framework that selects a destination for each eligible offsite ad click to maximize Advertiser Value (AV), a value-weighted conversion outcome. DCD applies to any post-click destination decision where the system can choose among destination options at click time and downstream conversion feedback is available. We describe an evolution of learning objectives from post-conversion destination inference, to two-task destination-conditioned conversion prediction, to a single-task policy model that directly predicts which of two destinations is better for a given click, trained with Advantage Actor Critic (A2C)-inspired soft labels derived from a higher-capacity destination-conditioned "critic" model. In a web-vs-app case study, online A/B experiments at scale on a major advertising platform show that per-click personalization with DCD outperforms both static routing policies, with the single-task objective delivering the largest gains. These results highlight post ad-click destination as an important and under-explored lever in conversion optimization and demonstrate that personalized destination automation can outperform one-size-fits-all destination policies.
• Abstract（参考訳）: アウトバウンド(オフサイト)広告クリックを収益化するアプリケーションは、ユーザとビジネスの成果に影響を与える複数のポストクリックレバーを持ち、その中には、広告主のサイトに表示されたランディングページ、クリックがWebページやユーザーのデバイス上のアプリに解決するかどうか、ネイティブな製品内表面や外部ウェブサイトに解決するかどうかなどが含まれる。 我々は、これらのレバーに対するパーソナライズを、アドクリックの宛先自動化と呼ぶ。 最適な目的地は、ユーザー、広告主、配置、デバイス、推測意図など多種多様であり、静的でワンサイズで全ての目的地ポリシーを最適化する。 本稿では,動的クリック決定(Dynamic Click Destinations, DCD)について紹介する。このフレームワークは,広告クリック毎の宛先を選択することで,価値重み付き変換結果であるAdvertiser Value (AV) を最大化する。 DCDはクリック後の目的地決定に適用され、システムはクリック時に目的地を選択することができ、ダウンストリーム変換フィードバックが利用できる。 本稿では,コンバージョン後の目的地推定から2タスクの目的地条件変換予測への学習目標の進化を,高容量の目的地条件付き「批評家」モデルから派生したアドバンテージ・アクター・クリティカル(A2C)にインスパイアされたソフトラベルを用いて,与えられたクリックに対して2つの目的地のどちらが良いかを直接予測する単一タスクポリシーモデルに記述する。 Web-vs-appケーススタディでは、主要な広告プラットフォーム上でのオンラインA/B実験が、DCDによるクリック毎のパーソナライゼーションが静的ルーティングポリシの両方を上回り、シングルタスクの目的が最大の利益をもたらすことを示している。 これらの結果は、変換最適化における重要かつ未探索のレバーとして広告クリック先を強調し、パーソナライズされた宛先自動化が1段階の宛先ポリシーより優れていることを示す。

関連論文リスト

• Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
  広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。 広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。 提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T13:58:06Z)
• Bid2X: Revealing Dynamics of Bidding Environment in Online Advertising from A Foundation Model Lens [20.38823641084096]
  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。
  論文  参考訳（メタデータ） (2025-10-27T15:15:01Z)
• MTMD: A Multi-Task Multi-Domain Framework for Unified Ad Lightweight Ranking at Pinterest [4.807492269982828]
  従来のTwo-Towerパラダイムの下で,Multi-Task Multi-Domain (MTMD)アーキテクチャを提案する。 MTMDはオフライン損失値を12%から36%改善し、クリックあたりのコストを2%削減した。 9つのプロダクションモデルを置き換えたPinterestの広告レコメンデーションのために、この単一のMTMDフレームワークを本番環境にデプロイしました。
  論文  参考訳（メタデータ） (2025-10-10T20:46:19Z)
• 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)
• Auto-Intent: Automated Intent Discovery and Self-Exploration for Large Language Model Web Agents [68.22496852535937]
  本稿では,事前訓練された大規模言語モデル(LLM)を,直接微調整なしで対象ドメインのエージェントとして適用する手法であるAuto-Intentを紹介する。 提案手法はまず,対象領域の実証から意図を教師なしで発見する。 我々は、エージェントの過去の観察と行動から次の意図を予測するために、意図予測器を訓練する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:04Z)
• TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
  非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。 我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。 TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
  論文  参考訳（メタデータ） (2024-03-14T22:33:22Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• Deep Context Interest Network for Click-Through Rate Prediction [16.37806484383383]
  本稿では,クリックと表示コンテキストを統合的にモデル化し,ユーザのコンテキスト認識の興味を学習する,Deep Context Interest Network (DCIN) という新しいモデルを提案する。 DCINは当社のオンライン広告システムにデプロイされており、主要なトラフィックに対して1.5%のCTRと1.5%のRPMリフトを提供する。
  論文  参考訳（メタデータ） (2023-08-11T09:32:58Z)
• Scaling Pareto-Efficient Decision Making Via Offline Multi-Objective RL [22.468486569700236]
  多目的強化学習(MORL)の目的は、複数の競合対象を同時に最適化するポリシーを学ぶことである。 我々は、オフラインMORLのための新しいデータ駆動型セットアップを提案し、そこで、好みに依存しないポリシーエージェントを学習したい。 PEDAはオフラインのMORLアルゴリズムのファミリーであり、新しい優先順位と条件付きポリシーを通じて決定変換器を構築し拡張する。
  論文  参考訳（メタデータ） (2023-04-30T20:15:26Z)
• 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)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)

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。