本文概述了计算广告的新领域所涉及的基本基础设施、算法和技术解决方案,其中涵盖了实时竞价、数字营销、自动化、信息检索、广告欺诈检测等主题。
Oct, 2016
本研究提出了一种在线方法,通过在时间范围内最优化地分配预算,并基于事前性能分布来选择高质量的广告展示和调整竞价,以实现顺畅的预算交付并优化转化表现。
May, 2013
本论文提出了一个综合的学习出价框架 Bidding Machine,能够联合优化估算广告效用、预测市场价值、制定最佳竞标策略三个挑战,大大提高了广告活动的效益和利润。
Mar, 2018
本文探讨了在实时竞价广告投放中,利用强化学习算法,通过状态空间表示广告拍卖信息和实时参数,在竞价过程中动态分配预算,学习最优的出价策略以最大化广告业绩,并通过神经网络解决了实际应用中的可扩展性问题。
Jan, 2017
本文介绍了 iPinYou 在 2013 年发布的 RTB 广告竞赛数据集,并表示这是目前公开可用的第一个关于 RTB 广告的数据集。本文还提供了关于数据集的详细统计分析和针对竞赛提出的 RTB 竞价优化问题的简单但全面的评价方案以及一系列基准实验,包括 CTR 估计和竞价优化。
Jul, 2014
本文提出了一个数学模型,该模型分配和定价未来的广告展示 —— 既可以是通过实时竞价在拍卖市场上出售,也可以是通过保证合同事先出售。通过价格差异化和最优分配,该模型可将两种方式无缝地组合在一起,从而最大化发布者的收入。通过 RTB 数据评估,我们发现,该模型根据竞争水平采用不同的分配和定价策略。
May, 2014
本研究透過評估使用者行為不確定性和拍賣競爭中的成本不確定性來為 RTB 顯示廣告中的不確定性建立數學模型,推導出了兩種風險意識下的出價策略,此模型可有效提高广告投放的利润。
本文提出一种新的投标策略,通过考虑广告对用户的实际影响来决定出价,并证明采用基于广告性能提升的投标策略可以使广告主获得更多的行动事件。并通过实际广告活动进行了盲目的 A/B 测试,证明了这一策略的实际性能提升,并探讨了归因模型与投标策略之间的关系。
Jul, 2015
本文主要探讨了实时竞价广告中的投标策略优化问题及挑战,介绍了几种代表性的投标策略,重点讨论了基于强化学习的投标策略的研究进展和挑战,通过定量评估 iPinYou 数据集上几种代表性的投标策略的性能,总结了使用强化学习算法优化投标策略的一般步骤,并提出了建议。
Nov, 2022
该论文研究了优化在线展示广告销售策略,通过将印刷品分配问题转化为拍卖问题,并提出了多智能体强化学习方法来解决不稳定流量模式等挑战,最终证明该策略可行且有效。
Mar, 2022