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
使用无限关系模型对用户 - 网站交互图进行降维,以生成简化的特征,作为预测点击率的因子,其中最经济并且速度最快的运算是 IRM 特征预测,适用于实时竞价这样的应用场景。
Nov, 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。
Jan, 2017
本文提供对 RTB 新兴的印象销售基础架构的实证分析和测量,展示了其出价行为,并指出时间依赖模型、优化算法等问题未得到充分考虑。
Jun, 2013
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
通过引入新的预训练目标,我们提出了一个框架来适应通用语言模型(LM)编码器以理解和表示网页的内容,并在多项任务和 Twitter 内外部基准测试中证明了该方法的有效性。
Oct, 2023
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。