KDDMay, 2019

实时竞价广告的深度景观预测

PDF
TL;DR在线广告实时拍卖引起了人们对市场竞争建模的巨大关注，即出价预测。本文提出了一个结合深度学习和生存分析处理审查问题的深度景观预测模型，通过循环神经网络灵活地建模每个出价价格条件下的获胜概率，然后通过概率链规则进行出价预测。在两个大规模实际数据集上的实验中，我们的模型在各种指标下明显优于现有的最先进的解决方案。
real-time auctionbid landscape forecastingsurvival analysisdeep landscape forecastingrecurrent neural network
发现论文，激发创造
  • 实时竞价中可扩展的竞价预测

    本文提出了一个基于未完全观测数据的 heteroscedastic fully parametric censored regression 方法和混合密度 censored 网络，用于估计广告拍卖中的赢价分布，并在实验上证明了该方法的有效性。

    Jan, 2020

  • 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

  • 使用马尔可夫决策过程和机器学习技术改善在线广告实时竞价

    本文提出了一种结合深度学习和强化学习技术的实时竞价新方法，用于优化广告投放并提高成效，通过历史数据的比较验证了该方法的有效性和实用性，并对模型参数对算法表现的影响进行了研究。

    May, 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

  • 深度强化学习在赞助搜索实时竞价中的应用

    本文提出了一种基于强化学习的方法解决了在线广告拍卖中的实时竞标问题，特别是在搜索广告拍卖中针对多关键字的竞标策略提出了一个控制模型。

    Mar, 2018

  • 一种用于首价拍卖出价调整的高效深度分布式网络

    本研究介绍了一种新型深度分配网络用于在线广告竞价优化，通过线上离线 A/B 测试以及生产线上环境使用，该方法在竞价成本和 ROI 方面显著优于之前的算法，并在 VerizonMedia DSP 上服务于每天数百亿的广告请求。

    Jul, 2021

  • 基于多智能 Agent 强化学习的实时竞价展示广告

    本文讨论了如何利用多智能体强化学习进行实时广告优化，提出了一种聚类算法分配策略代理，并通过行业实验表明，与单一代理和实验算法相比，基于聚类的竞价模型具有更好的效果。

    Feb, 2018

  • 展示广告中带有预算限制的自适应风险感知竞标

    本研究提出了一种基于强化学习的新型自适应风险感知竞价算法，旨在同时考虑估计不确定性和 DSP 的动态风险倾向，并通过公共数据集的广泛实验表明，该算法在实际 setting 中优于现有的最佳方法。

    Dec, 2022

  • 搜索与评分基于的瀑布式拍卖优化

    本篇论文提出了一种方法，从历史数据中学习出最大化收益的水坑策略，实现了对估值分布和通过迭代搜索得分的候选瀑布流的匹配，与手动专家优化相比，方法改善了真实瀑布流的总收益。

    Jan, 2022

  • DeepLandscape：风景视频的对抗建模

    本文利用模型 StyleGAN 对风景视频进行训练，生成真实的时间变化风景视频，并通过拟合到静态风景图像中实现再现，同时提出简单的 StyleGAN 反演过程改进，生成比以前更引人注目的风景动画。

    Aug, 2020