Going Negative Online? -- A Study of Negative Advertising on Social Media
越来越多的实证研究表明,负面广告在竞选活动中是有效的,但其作用机制却很少被提及。随着剑桥分析公司丑闻和俄罗斯干预英国脱欧和2016年总统大选,人们已经意识到社交媒体上的政治广告,并向国会施压,要求限制社交媒体上的政治广告。在相关立法之后,社交媒体公司开始在2018年夏季中期选举活动刚刚开始时披露其政治广告档案。本研究收集了8月以来美国中期选举背景下的相关政治广告数据,研究了社交媒体上政治广告的总体模式,并使用一套机器学习方法对这些广告进行情感分析,以分类负面广告。应用一种新的方法,使用AI图像识别来研究图像数据。通过数据可视化,本研究表明,负面广告仍然是少数,共和党广告主和第三方组织比他们的同行更有可能从事负面广告。基于有序回归分析,本研究发现,愤怒诱发的信息寻求是导致负面广告更吸引人和更有效的主要机制之一,而不是负面偏见理论。总的来说,这项研究通过应用创新的数据科学方法,提供了对社交媒体上政治广告的独特理解。进一步的研究可以扩展本研究的发现、方法和数据,并对未来的研究提出了几点建议。
2019-10-14 cs.SI stat.AP stat.CO
Time-Aware Prospective Modeling of Users for Online Display Advertising
Yahoo Research(雅虎研究院)
前瞻性展示广告对大型广告平台提出了巨大的挑战,因为用户的最强预测信号没有资格在转化预测系统中使用。为此,努力从各种数据源收集关于每个用户的尽可能多的信息,并设计能够捕获较弱信号的强大模型,最终获得良好质量的转化预测概率估计。在这项研究中,我们提出了一种新颖的时间感知方法来对用户活动的异构序列进行建模并捕获用户转换意图的隐式信号。在两个真实世界的数据集上,我们证明了我们的方法优于其他先前提出的方法,同时提供了信号对转换概率的影响的可解释性。
2019-11-12 cs.IR cs.LG stat.ML
Comparison Lift: Bandit-based Experimentation System for Online Advertising
Stanford University(斯坦福大学)
Comparison Lift是一个实验即服务(EaaS)应用程序,用于测试JD.com的在线广告受众和创意。与许多其他主要关注固定样本A/B测试的EaaS工具不同,Comparison Lift部署了一个基于Bandit的自定义实验算法。基于土匪的办法有两方面的好处。首先,它使测试中引入的随机化与广告商的测试目标保持一致。其次,通过使实验设计适应测试期间获得的信息,它大大降低了广告商的实验成本。自2019年5月推出以来,Comparison Lift已被用于1,500多项实验。我们估计,该产品的使用帮助参与广告活动的点击率平均提高了46%。我们估计,与固定样本A/B设计相比,产品中的自适应设计在测试期间平均多产生了27%的点击。两者都表明广告商从产品中获得了显着的价值和成本节约。
2020-09-16 cs.LG stat.ML
An Analysis of Selection Bias Issue for Online Advertising
Yahoo Japan Corporation(雅虎日本公司)
在在线广告中,一组潜在的广告可以通过某个拍卖系统进行排名,其中通常前1个广告将被选择并显示在广告空间处。在本文中,我们展示了一个选择偏差的问题,是目前在拍卖系统。我们分析了选择偏差破坏了拍卖的真实性,这意味着拍卖中的买家(广告商)不能最大化他们的利润。虽然选择偏差在统计学领域是众所周知的,并且有很多关于它的研究,但我们的主要贡献是将选择偏差的理论分析与拍卖机制结合起来。在我们的实验中,使用在线A/B测试,我们评估的选择偏差的拍卖系统的排名分数是预测的CTR(点击率)的广告。实验表明,通过使用学习所有广告数据的多任务学习,选择偏差大大减少。
2022-06-07 cs.GT cs.IR cs.LG
Online Causal Inference for Advertising in Real-Time Bidding Auctions
Cornell Johnson(康奈尔大学约翰逊商学院);Berkeley EECS(加州大学伯克利分校电气工程与计算机科学系);Stanford GSB(斯坦福大学商学院);UCSD Rady(加州大学圣迭戈分校雷迪管理学院);Yale SOM(耶鲁大学管理学院);Insper(因斯佩尔商学院);Chicago Booth(芝加哥大学布斯商学院);Temple Fox(天普大学福克斯商学院)
本文针对实时竞价拍卖中的广告效果评估问题,提出基于最优出价识别的因果推断方法,并设计自适应汤普森采样算法在最小化实验成本的同时恢复广告效果,理论和实验均验证了其优越性。
2024-02-26 cs.GT cs.LG econ.EM
Dynamic Hierarchical Empirical Bayes: A Predictive Model Applied to Online Advertising
Adobe(奥多比公司)
预测关键词性能,如印象数、点击率(CTR)、转化率(CVR)、每次点击收入(RPC)和每次点击成本(CPC),对于在线广告行业的赞助搜索至关重要。一个有趣的现象是,尽管总体数据很大,但在单个单元级别上数据非常稀疏。为了克服稀疏性并利用数据结构中的分层信息,我们提出了一种动态分层经验贝叶斯(DHEB)模型,该模型通过数据驱动的过程动态确定层次结构,并提供基于收缩的估计。我们的方法还配备了一个有效的经验方法,通过层次结构推导出的推论。我们在模拟和真实世界的数据集,并比较几个竞争模型所提出的方法。结果表明,在所有的比较中,无论是准确性和效率的建议方法。最后,我们设计了一个两阶段的系统,以服务于实时预测。
2018-09-06 cs.LG stat.ML
Predicting Different Types of Conversions with Multi-Task Learning in Online Advertising
Yahoo Research(雅虎研究院);Yahoo Inc.(雅虎公司);UC Berkeley(加州大学伯克利分校);Indeed(确实公司)
转化预测在在线广告中起着重要的作用,因为每次操作成本(CPA)已经成为行业中的主要活动绩效目标之一。与点击预测不同,转化在本质上有不同的类型,每种类型都可能与不同的决定性因素相关联。在本文中,我们将转换预测制定为多任务学习问题,以便可以一起学习不同类型转换的预测模型。这些模型共享特征表示,但具有其特定参数,从而提供跨所有任务的信息共享的好处。然后,我们提出了多任务场加权因子分解机(MT-FwFM)来联合解决这些任务。实验结果表明,与两种最先进的模型相比,MT-FwFM在两种转换类型上的AUC提高了0.74%和0.84%,并且在所有转换类型上的加权AUC也提高了0.50%。
2020-03-08 cs.LG stat.ML
Cross Device Matching for Online Advertising with Neural Feature Ensembles : First Place Solution at CIKM Cup 2016
Nanyang Technological University(南洋理工大学)
我们描述了CIKM Cup 2016挑战赛的第一名获胜方法。在本文中,我们提供了一种方法来合理地识别相同的用户在多个设备上的浏览日志的基础上。我们的方法将候选人排序问题视为成对分类,并利用无监督的神经特征集成方法来学习用户的潜在特征。结合传统的手工制作的功能,每个用户对功能被送入一个监督分类器,以执行成对分类。最后,我们提出了监督和无监督推理技术。
2017-02-19 cs.IR cs.LG stat.ML
Modelling customer online behaviours with neural networks: applications to conversion prediction and advertising retargeting
GMF Assurances, Groupe Covéa(GMF保险公司,科维亚集团)
在本文中,我们将神经网络应用到数字营销世界中,以更好地定位潜在客户。为此,我们使用专用神经网络架构对客户在线行为进行建模。从用户在搜索引擎中搜索关键字开始到着陆页和不同的后续页面,直到用户离开网站,我们用递归神经网络(RNN)和卷积神经网络(CNN)对整个访问过程进行建模,该网络可以考虑用户搜索关键字和不同访问页面名称的语义。在此模型下,我们使用蒙特卡罗模拟来估计每个潜在客户在未来访问中的转化率。我们相信我们的概念和本文中初步的有希望的结果能够使用大量可用的客户在线行为数据进行高级数字营销分析。
2018-04-20 cs.LG stat.ML
Display advertising: Estimating conversion probability efficiently
在线展示广告的目标是吸引用户“转换”(即,采取预定义的动作,例如进行购买)。衡量广告价值的一个重要指标是转化率。本文的重点是开发一个计算效率高,准确,精确的转换概率估计。与此估计问题相关的挑战是观察转换的延迟和数据集的大小(观察值和预测值的数量)。两个模型以前被认为是估计的基础:一个逻辑斯谛回归模型和观察到的转换状态和延迟时间的联合模型。拟合前者很简单,但忽略转换延迟会导致低估转换概率。另一方面,后者的偏差较小,但计算成本很高。我们提出的估计量是这两个估计量之间的妥协。我们将结果应用于Criteo的数据集,Criteo是一家为用户个性化在线显示广告的商业营销公司。
2017-10-24 stat.AP stat.CO stat.ML
Optimized Cost per Click in Taobao Display Advertising
淘宝作为全球最大的在线零售平台,每天为数百万广告主提供数十亿次的在线展示广告展示。出于商业目的,广告商对特定的广告点和目标人群进行投标,以争夺商业流量。该平台在几十毫秒内选择最合适的广告显示。常见的定价方法包括每千次成本(CPM)和每次点击成本(CPC)。传统的广告系统针对用户的某些特征和具有固定出价的广告位置,本质上被认为是出价和流量质量的粗粒度匹配。然而,由竞争不同质量请求的广告主设置的固定出价不能完全优化广告主的关键需求。此外,平台还必须对业务收入和用户体验负责。因此,我们提出了一个出价优化策略称为优化每次点击成本(OCPC),自动调整出价,以实现更精细的匹配出价和流量质量的页面浏览(PV)请求粒度。我们的方法优化了广告主需求、平台业务收入和用户体验,整体上提高了流量分配效率。我们已经在淘宝展示广告系统的制作中验证了我们的方法。在线A/B测试表明,我们的算法产生了显着优于以往的固定出价方式。
2019-01-29 cs.GT stat.ML
Online Joint Bid/Daily Budget Optimization of Internet Advertising Campaigns
Politecnico di Milano(米兰理工大学)
按点击付费广告包括各种形式(\emph{e.g.}、搜索、上下文、社交),全球每年的总投资超过2000亿美元。广告主每天都有预算分配几个,甚至数千个活动,主要是区分广告,目标或渠道。此外,发布商选择要显示的广告以及如何使用拍卖机制来分配它们,在拍卖机制中,广告商每天为每个活动设置与他们愿意支付的每次点击的最大金额和每日预算的一部分相对应的出价。在本文中,我们研究的问题,自动化的在线联合投标/每日预算优化付费点击广告活动在多个渠道。我们制定我们的问题作为一个组合半强盗问题,这需要解决一个特殊的情况下,多选择背包问题的每一天。此外,对于每个广告系列,我们通过高斯过程捕获点击次数对出价和每日预算的依赖性,因此需要对这些函数的规律性进行温和的假设。我们设计了四个算法,并表明他们遭受的遗憾,这是一个上限的高概率为O(sqrt{T}),其中T是学习过程的时间范围。我们实验评估我们的算法与合成设置从雅虎的真实数据生成,我们提出了在现实世界的应用程序中采用我们的算法的结果,每天平均花费1,000欧元超过一年。
2020-03-03 cs.LG stat.ML
Improving conversion rate prediction via self-supervised pre-training in online advertising
Yahoo Research(雅虎研究院)
针对在线广告点击归因转化数据稀疏且不能用非点击归因数据训练以保障模型校准的问题,提出用在全量转化数据上预训练的自编码器做特征提取增强FM模型,在离线和在线A/B测试中均有提升,已部署于Yahoo原生广告系统。
2024-01-25 cs.IR cs.LG stat.ML
Mid-flight Forecasting for CPA Lines in Online Advertising
Verizon Media(威瑞森传媒)
对于Verizon MediaDemand Side Platform(DSP),广告活动性能预测不仅向优化服务器提供关键信息,使系统能够在高性能模式下运行,而且还为广告商提供可操作的见解。本文研究了在考虑竞价机制的情况下,飞行中间的CPA线路的预测问题。所提出的方法生成各种关键性能指标和优化信号之间的关系。它还可以用来估计广告活动性能指标对优化信号调整的敏感度,这对广告活动管理系统的设计是重要的。广告主支出与有效每次行动成本(eCPA)之间的关系也被表征,这可以作为广告主调整飞行路线的指导。文中还讨论了实现中的几个实际问题,如数据集的下采样。最后,预测结果与实际交付进行了验证,并显示出良好的精度。
2021-07-15 cs.LG stat.ML
MCNet: Monotonic Calibration Networks for Expressive Uncertainty Calibration in Online Advertising
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);The HK PolyU(香港理工大学);Tsinghua University(清华大学)
提出单调校准网络MCNet,通过单调校准函数、保序正则化器和字段平衡正则化器,在在线广告中实现表达性更强、上下文感知且性能均衡的不确定性校准。
2025-03-01 cs.AI cs.LG stat.ML
Online Model Evaluation in a Large-Scale Computational Advertising Platform
Turn Inc.(Turn公司)
在线媒体为营销人员提供了机会,通过这些机会,他们可以向广泛的受众传递有效的品牌信息。广告技术平台使广告商能够通过实时的向在线用户传递广告印象来接触目标受众。为了为用户识别最佳营销信息并以合适的价格购买展示,我们在很大程度上依赖于出价预测和优化模型。尽管投标预测模型在文献中得到了很好的研究,但同样重要的模型评估问题通常被忽视。有效和可靠地评估在线投标模型对于更快地改进模型以及更有效地利用营销预算至关重要。在本文中,我们提出了一个实验框架,投标预测模型,我们的重点是模型评估的实际方面。具体来说,我们概述了我们在平台上遇到的独特挑战,这些挑战是由于各种因素造成的,例如异构的目标定义、不同活动的预算要求、高季节性和基于拍卖的库存采购环境。然后,我们引入投资回报率(ROI)作为统一的模型性能(即,成功)指标,并解释其相对于点击率(CTR)或转化率(CVR)等传统指标的优点。最重要的是,我们详细讨论了常用的评估和度量摘要方法,并提出了一种更准确的方法,用于在线评估新的实验模型对基线。我们的基于荟萃分析的方法解决了其他方法的各种缺点,并产生统计上可靠的结论,使我们能够以可靠的方式更快地得出实验结论。我们证明了我们的评估策略的有效性,通过一些实验的真实活动数据。
2015-08-31 cs.AI stat.ME stat.ML
Optimal Delivery with Budget Constraint in E-Commerce Advertising
Alibaba Group(阿里巴巴集团)
电子商业平台中的在线广告为卖家提供了一个机会,以实现具有不同目标的潜在受众。将广告分配到页面的广告服务系统(如显示和搜索广告系统)应满足目标,例如品牌广告商的大量受众,基于性能的广告商的点击或转换,同时尝试最大化平台的整体收入。在本文中,我们提出了一种基于线性规划受约束的方法,以优化收入,同时提高不同的性能目标。通过在阿里巴巴电子商业平台上实现一个离线仿真系统,并在考虑系统性能、排名和定价模式的情况下运行在线请求的拍卖,验证了我们的算法。我们还将我们的算法与相关工作进行了比较,结果表明,我们的算法可以有效地提高活动的性能和平台的收入。
2019-10-08 cs.AI cs.LG stat.ML
Budgeted Online Influence Maximization
Adobe Research(Adobe研究院);Inria Lille(Inria里尔分校);DeepMind(深度Mind)
本文提出一种新的预算化框架,考虑广告活动的总成本而非传统选择影响者集合的基数约束。通过独立级联扩散模型和边级半带反馈,提出算法并提供理论和实验结果,改进了基数约束下的后悔界。
2026-04-21 cs.LG stat.ML
Lightweight Auto-bidding based on Traffic Prediction in Live Advertising
Taobao \& Tmall Group of Alibaba Beijing China;Taobao \& Tmall Group of Alibaba
针对直播广告实时出价面临未来流量未知及现有方法复杂度高的问题,提出轻量级自动出价算法 BiCB,结合最优出价公式与流量预测实现低复杂度近似最优解,并经实验验证其高效低耗。
2025-08-08 cs.LG stat.ML
Predicting conversions in display advertising based on URL embeddings
École Polytechnique(巴黎综合理工学院);Jellyfish
近年来,由于广告购买过程的自动化,在线展示广告增长迅速。实时竞价(RTB)允许广告商和发布商之间通过实时拍卖自动交易广告印象。为了增加他们的活动的有效性,广告商应该向极有可能被转换的用户(即,购买、注册、网站访问等)在近期在这项研究中,我们介绍和检查不同的模型来估计用户转换的概率,鉴于他们的历史访问的URL。受自然语言处理的启发,我们引入了三种URL嵌入模型来计算语义上有意义的URL表示。为了证明所提出的不同表示和转换预测模型的有效性,我们对从广告平台收集的真实记录事件进行了实验。
2020-08-28 cs.AI cs.LG stat.ML