NIPSMar, 2016

在线广告拍卖中的效用优化成本敏感学习

PDF
TL;DR本文研究计算广告中的关键问题之一：在线广告拍卖中点击率和转化率的预测，分析了前沿的转化建模方法中存在的非均匀误差成本问题，提出基于商业价值权重日志损失的模型训练方法，实验结果表明，该方法可以显著提高模型的离线和在线性能表现。
computational advertisingclick-through rateconversion rateoffline metricsbusiness value
发现论文，激发创造
  • 广告竞价中基于点击率预测的成对排名损失函数优化福利最大化

    研究如何设计损失函数来优化广告拍卖中的（社会）福利，提出了一种新的加权排名损失来训练点击率模型，并通过在使用教师网络产生的标签上进行损失校准来证明其优越性。

    Jun, 2023

  • 广告竞拍中点击率预测的改进在线学习算法

    我们研究了在线学习问题中的广告拍卖收入最大化问题，重点关注广告主的战略行为、点击率和动态估值对机制表现的影响。

    Feb, 2024

  • 归因模型提高显示广告中竞价的效率

    本文旨在提高推广广告招标策略的效率，并介绍了一种基于归因模型的招标方法，研究结果表明该方法有效性高且应用范围广。

    Jul, 2017

  • 基于可解释深度学习技术的在线广告成本预测：竞价竞争环境中的洞见

    本文研究使用多种时序预测方法，通过竞争对手 CPC 发展的时间序列聚类识别得出外部影响变量，建立多变量模型来预测在线广告市场日均点击成本。研究表明，这种预测广告成本的方法比仅基于广告主收集数据的模型更具优势。

    Feb, 2023

  • 推进广告拍卖逼真度：实践见解和建模影响

    在线广告拍卖的学习模型揭示了竞价人行为对关键绩效指标的影响，包括广告槽位置、竞争广告商数量和身份、广告商接收的反馈以及支付规则等特征。同时证明了在更现实的拍卖环境中，即使竞标人来自同一人群，提供 “软底价” 也能提升关键绩效指标。

    Jul, 2023

  • 用近似出价预测进行收入优化

    本研究探讨广告拍卖问题，使用机器学习中预测平方损失的标准设置，将储备价优化问题进行了简化，首次形式上将收益与标准机器学习模型的质量联系起来

    Jun, 2017

  • 电商中优化赞助产品的实用经验

    本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。

    Apr, 2023

  • 通过自监督预训练提升在线广告中的转化率预测

    使用自监督预训练的方法来改善在线广告系统中的点击率预测模型，通过训练一个辅助自编码器模型来丰富主要的点击率预测模型，提高相关性、稳定性和网络规模，最终成功部署到 Yahoo 原生广告系统。

    Jan, 2024

  • 广告竞拍中利益相关者的优化平衡

    本文研究广告拍卖中各利益相关者的权衡。我们讨论了基于利益相关者效用值的线性组合优化问题及其解决方案，同时通过模拟和实际数据分析探究了不同广告数量对各方效用的影响。最后，我们探究了组合型广告格式的不同竞价规则，并发现了其中的问题和限制。

    Apr, 2014

  • 不知道自己价值的情况下学习投标

    在复杂拍卖场景中，我们提出了一种在线学习方法，通过利用投标方的效用结构和部分反馈，为拍卖算法提供对最佳固定竞标的遗憾率，这对于行动空间的依赖程度来说比应用通用的贝叶斯智能带宽算法要快指数级收敛，同时又几乎等同于在完全信息环境下所实现的收敛，这些结果是通过分析这一新的基于反馈的在线学习方法实现的。

    Nov, 2017