AAAIFeb, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 实时竞价广告的深度景观预测

    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。

    May, 2019

  • 在线广告拍卖中的效用优化成本敏感学习

    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。

    Mar, 2016

  • 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

  • 动态分层经验贝叶斯：一个应用于在线广告的预测模型

    利用数据驱动的动态分级经验贝叶斯模型实现稀疏的线上广告投放数据的关键词表现预测，比二者相比具有更高的准确性和效率，并提供了一个在实时环境中服务的两阶段系统。

    Sep, 2018

  • 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

  • 应对产品需求变化：赞助搜索中转化率（CR）预测应用

    本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型，可以更准确地预测产品广告的用户交互结果，并同时对用户和广告商行为的波动具有鲁棒性。

    May, 2018

  • 非静态自动竞标世界中的在线广告采购

    本文提出了一种在线学习框架，利用多维度的决策变量、赌博反馈和长期不确定性约束，帮助广告客户在非平稳采购结果的真实赌博反馈环境中动态优化广告平台的杠杆决策，取得低损失结果。

    Jul, 2023

  • 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

  • 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

  • 淘宝展示广告中的每次点击优化成本

    本研究提出一种优化共享商品在线广告的投标策略（OCPC），该策略可通过自动调整出价以实现广告与流量质量的细粒度匹配，从而优化广告主需求、平台业务收益和用户体验，并提高流量分配效率。在淘宝展示广告系统生产环境中进行的在线 A/B 测试表明，与之前的固定出价方式相比，OCPC 算法的效果显著更好。

    Feb, 2017