- WSDMCausalMMM：学习市场营销组合建模的因果结构
在线广告中的营销组合模型（MMM）以预测品牌店的总成交量（GMV）并帮助决策者调整各种广告渠道的预算分配。本文定义了一种新的因果性 MMM 问题，可以自动从数据中发现可解释的因果结构并产生更好的 GMV 预测。CausalMMM 集成 Gr - 在线广告中基于 LLMs 的真实聚合
我们提出一种无需微调或访问模型权重的拍卖机制，能有效聚合多个参与者对 LLM 生成的用户查询回复的偏好，并能加入可用的上下文信息，实现快速收敛，从而提高广告主价值和平台收入。
- 因果抽象多臂赌博机
将传输学习应用于因果抽象多臂赌博机，研究算法学习和后悔度，以解决在线广告相关的现实场景。
- 具有预算和 ROI 约束的非真实拍卖的无悔算法
自动投标算法是广告主在在线广告平台上优化广告活动的方式之一，本研究通过设计在线自动投标算法来实现广告主在预算和投资回报率限制下的价值最大化，研究还包括竞标优化、价值分布和成交价相关性等方面。
- 基于轨迹的迭代强化学习框架用于自动投标
在线广告中，通过使用增强学习的自动竞价算法，部署多个自动竞价代理进行数据收集与训练，提出了一种迭代的离线增强学习框架，通过轨迹的探索和利用方法进行数据采集与利用，以解决传统离线增强学习算法的有效探索和开发性能瓶颈，并结合安全探索和适应性行动 - 一种稳定扩散模型的点击率创新生成流程
我们提出了一个新的自动化的点击率创意生成流水线（CG4CTR），旨在改进创意生成阶段的点击率。我们的贡献有 4 个方面：1）将填充模式应用于在线广告场景的创意生成任务。提出了一个自我循环生成流水线，以确保训练的收敛性。2）设计了提示模型，为 - 级联强化学习
在先前的研究中，瀑布式赌博未考虑用户状态和状态转换对推荐的影响，因此我们提出了一个考虑用户状态和状态转换的广义瀑布式强化学习框架。通过深入研究价值函数的属性并设计一个最优项目列表的快速查找算法，我们开发了两个算法 CascadingVI 和 - 重新思考大规模预排名系统：整条链跨领域模型
通过引入整个链式样本空间依赖，本文提出了一种名为 ECM 的整体链式跨领域模型，用于解决预排序系统中样本选择偏差问题，并设计了一种名为 ECMM 的细粒度神经结构，进一步提高预排序的准确性。实证评估结果表明，我们的预排序模型在实时大规模流量 - 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。
- 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 - KDD通过因果感知的强化学习的极小化最大遗憾优化实现对抗性限制竞价
基于对抗性竞价环境下的约束竞价问题，提出了基于最小化策略遗憾的学习方法 MiRO，该方法介绍了对抗性对手环境的实现方法。并将专家演示纳入到竞标策略学习中，通过因果关系感知的策略设计，MiROCL 方法在工业数据和合成数据上的实验表明，性能提 - 为在线广告设计的一种面向一致性的预排名算法
提出了一种面向在线广告的一致性预排名框架，包括使用基于块的采样模块和即插即用的等级对齐模块，显式地优化 ECPM 排名结果的一致性。
- EdgeNet：电子商务在线广告拍卖设计编码器 - 解码器生成网络
本研究介绍了一种名为 EdgeNet 的新型编码器 - 解码器生成神经网络，其引入了一种新颖的编码器 - 解码器框架，用于在线电子商务广告中数据驱动的拍卖设计，通过破坏以广义第二价格为基础的神经拍卖模型，提高数据利用效率，并改进了拍卖机制的 - 基于因果关系的图神经网络 CTR 预测
本文通过引入因果关系，基于图神经网络框架提出一种面向在线广告的点击率预测模型（Causal-GNN），采用结构化特征表达学习方法（GraphFwFM）和 GraphSAGE 分别学习特征、用户和广告的图表示，并在三个公共数据集上的实验证明了 - 使用可微分窗口转换学习归一化熵曲线排名
本文提出了一种新颖的学习曲线排序模型 ACTR2，特别针对在在线广告和推荐系统中常用的标准化熵（NE）学习曲线进行排序，并通过自适应曲线变换层和差分曲线排名结构实现了优于现有方法的性能表现。
- 延迟反馈建模的多头在线学习
本研究提出了一种多头建模方法，通过将转化 quantizes 成多个时间窗口来解决线上广告转化预测中标签新鲜度和滞后性之间的挑战，并实验证明其在转化率（CVR）和每次点击价值（VPC）预测方面表现大大优于已知方法。
- SIGIR基于混合卷积神经网络和类别先验的用户图像行为建模注意力机制
本文介绍了如何通过混合 CNN 技术和类别先验信息，在 CTR 预测中提高广告点击率，取得了显著的后验实验结果和在线实验结果。
- WWW通过标签修正实现延迟反馈建模的渐进无偏估计
提出一种 DEFUSE 方法用于解决在线广告中的延迟反馈问题，并通过双分布建模框架共同建模数据中的无偏直接正例和有偏延迟转化，从而达到更好的转化率预测效果。
- 重复关键字拍卖中人性化策略的推理
本文提出在不完全信息的背景下采用自然策略解决在线广告关键字拍卖竞价策略博弈问题。文中提出一定量的自然策略逻辑，用于展示竞价拍卖的对策建模并证明相关属性。同时，对比了有与无记忆策略的博弈逻辑优劣及其可区分性、表达能力和模型检查复杂度。
- 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。