KDDFeb, 2019

营销预算分配的统一框架

PDF
TL;DR本文提出了一种基于数据驱动、使用半黑盒模型和高效优化算法的营销预算配置框架，以应对在线业务中动态环境和复杂决策 - making 过程，支持多种业务约束，可以处理大规模的问题，并在阿里巴巴集团的许多场景中取得了成功的应用，离线实验和在线 A/B 测试均证明了其有效性。
发现论文，激发创造
  • 离线约束深度强化学习中的营销预算分配

    提出一种基于值函数的强化学习方法来解决在线营销活动中利用离线数据进行预算分配的问题，该方法通过使用混合策略减少存储策略的数量，并实现了接近最优策略的效率，经过大规模的营销活动实验证明该方法优于其他基准方法。

    Sep, 2023

  • 应用自适应抽取算法解决数据市场环境下的预算分配和收益分配问题

    该研究介绍了一种新算法，以线性时间同时解决预算分配和收入分配问题，并采用自适应抽样过程选择贡献最大的数据提供者培训模型，从而为实现实际数据市场铺平了道路。

    Jun, 2023

  • 基于模型的约束 MDP 在序列激励营销中的预算分配

    本文提出采用 CMDP 框架和模型规划相结合的学习算法，解决了在线商业活动中如何高效地分配奖励从以往的历史订单数据中学习策略的问题。实验结果表明了本方法的有效性。

    Mar, 2023

  • 用于排序治疗效果的元学习

    通过学习排名的方法，我们提出了一种在预算约束下有效分配治疗的方法，并验证了其在合成和真实数据上的有效性。

    May, 2024

  • 一种统一的离线 - 在线资源分配的双阶段模型

    本文针对在线资源分配问题提出了一个基于非均匀和已知到达分布的参数化线性规划算法，并进行了实验结果测试。

    Dec, 2020

  • 市场资源分配问题的直接异质因果学习

    本文提出了一种基于因果学习的新方法，通过引入决策因素建立机器学习和运营研究之间的桥梁来解决资源分配问题，并设计了一种定制化损失函数来对决策因素进行直接异质因果学习，从而显著提高了解决方案的精度。

    Nov, 2022

  • 带预算的贝叶斯多臂赌博算法在动态广告分配中的应用

    本文针对互联网广告动态分配中的预算限制，运用多臂老虎机算法进行研究，提出具有强可证性、适应性强的 UCB1 算法改进方案。

    Jun, 2013

  • 餐饮平台多阶段奖金分配框架

    提出一个为餐饮外卖平台解决订单被取消问题的方案，通过 Lagrangian 双重动态规划算法和在线分配算法来实现在有限奖金预算内最大化接受的订单数量，实现了 25% 以上的订单取消减少。

    Feb, 2022

  • 多平台广告市场中使用非 IC 拍卖的预算管理

    本文提出了一种针对在线广告买卖市场的方法，以最大化广告主的总实用效益且满足预算限制，解决预算限制下不确定的、可能存在证明问题的一组拍卖中的投标最优策略问题，并对在线出价的情况进行了调查，算法在完全信息情况下的拍卖后悔为 $O (T^{3/4})$。我们证明了此方法优于现有的适应性 pacing 算法的合成和真实数据集上的累计后悔。

    Jun, 2023

  • 多任务学习中的标签预算分配

    多任务学习中，标签预算分配问题会对整体性能产生显著影响。本文提出了一种任务自适应预算分配算法，通过在不同的多任务学习环境中估计和最大化分配预算的新信息程度，优化多任务学习性能。在 PASCAL VOC 和 Taskonomy 上的实验表明，与其他常用的启发式标签策略相比，我们的方法具有明显的效果。

    Aug, 2023