Mar, 2024

MEBS: 多任务多槽位展示广告的端到端出价优化

PDF
TL;DR在线竞价、拍卖、多槽位广告展示、出价调整以及成本效益性是本研究的主要关键词，通过引入多任务端到端出价调整方法 (MEBS)，我们在多槽位广告展示中证明了该方法的理论最优性，并通过离线和在线实验的广泛验证取得了 7.01% 的总商品交易额提升、7.42% 的投资回报率提升和 3.26% 的广告采购计数提升。
发现论文，激发创造
  • 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

  • 通过胜率估计和剩余价值最大化进行出价压减

    本文描述了一种基于胜率的出价阴影算法 (WR)，使用修改的逻辑回归预测每种可能阴影出价价格的收益，可以快速最大化运行时效率，实现了比基准方法更高的广告主利润与更高的剩余价值，并可用于实时竞价系统。

    Sep, 2020

  • 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

  • 竞标机器：学习竞标直接优化展示广告收益

    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

  • 展示广告领域的实时竞价策略：实证分析

    本文主要探讨了实时竞价广告中的投标策略优化问题及挑战，介绍了几种代表性的投标策略，重点讨论了基于强化学习的投标策略的研究进展和挑战，通过定量评估 iPinYou 数据集上几种代表性的投标策略的性能，总结了使用强化学习算法优化投标策略的一般步骤，并提出了建议。

    Nov, 2022

  • 展示广告中强化学习实时竞价

    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。

    Jan, 2017

  • 多模式多任务学习中广告理解基准测试

    为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。

    Dec, 2019

  • 在线广告中基于实时出价和平滑预算分配的优化

    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

  • 选择性呼叫和实时竞价

    该论文提出了一个联合优化框架，用于协调互联网广告竞价和售卖中存在的挑选投标的因素，运用一种基于贝叶斯决策模型的方法进行了模型建立以及性能上界的分析，最终得到了该方法在几种不同情况下的性能保障，其中也包括了针对广告拍卖的一些启发式算法。

    Feb, 2010

  • 在线广告自动竞价的合作竞争多智能体框架

    该论文研究了在线广告中的自动投标问题，提出了一种基于多智能体强化学习的自动投标框架 MAAB，该框架考虑了竞争和合作关系以及个体收益和社会福利之间的平衡。在大规模广告平台中的实践表明，该方法相对于其他基线方法在社会福利和收益方面都有更优的表现。

    Jun, 2021