Stochastic Dynamic Programming Heuristics for Influence Maximization-Revenue Optimization
University of Saskatchewan（萨斯喀彻温大学）
在过去的十年中，研究人员积极研究了著名的影响力最大化（IM）问题，重点是营销和社交网络。已有的研究通过获得影响扩散和利用子模块度的性质来解决IM问题。本文是基于一种新的方法，面向优化点击，从而在一个在线社交网络（OSN）收入的IM问题。我们的方法通过实施随机动态规划（SDP）采用一种新颖的决策角度，从现有的方法转移。因此，我们定义了一个新的问题影响最大化收入优化（IM-RO），并提出SDP作为一种方法，在其中可以解决这个问题。SDP方法在优化点击和产生收入方面为广告商带来了丰厚的收益，然而，该方法的一个缺点是其相关联的"维数灾难"，特别是对于涉及大状态空间的问题。因此，我们引入劳伦斯程度启发式（LDH），自适应爬山（AHC）和多级粒子群优化（MPSO）算法的方法，这是数量级的速度比SDP方法，同时达到接近最优的结果。通过对各种合成网络和真实网络的比较分析，我们提出了AHC和LDH作为理想模型参数下的准确性，运行时间和可扩展性方面非常适合于IM-RO问题的算法。在本文中，我们提出了一个令人信服的调查SDP方法作为一个实用的和有利可图的方法，在OSN的背景下传播信息和优化收入。
2018-04-04 cs.LG math.OC stat.ML
Rankability-enhanced Revenue Uplift Modeling Framework for Online Marketing
City University of Hong Kong（香港城市大学）；Tencent（腾讯）；Renmin University of China（中国人民大学）
针对收入增益建模中的长尾响应分布与个体增益排序问题，提出融合 ZILN 损失、理论误差界和 listwise 排序损失的框架，并在公开、工业及 Tencent FiT 大规模场景中验证其优越性。
2024-06-12 cs.LG
Revenue Maximization of Airbnb Marketplace using Search Results
Pennsylvania State University（宾夕法尼亚州立大学）；Airbnb（爱彼迎）
在在线市场中正确定价产品或服务是一个具有挑战性的问题，也是业务成功的关键因素之一。当用户想要购买某个商品时，他们通常会搜索该商品。在此阶段，使用查询相关性模型来检索搜索页面上的商品，并将其从最相关到最不相关进行排序。所呈现的物品自然地为用户购买而彼此“竞争”。我们提供了一个实用的两阶段模型来定价这组检索到的项目，其值的分布是学习。定价策略的初始输出是一个搜索事件中顶部显示项目的价格向量。我们稍后将这些搜索结果汇总，为供应商提供每件商品的最佳价格。我们将我们的解决方案应用于从Airbnb Experiences市场获得的大规模搜索数据。线下评估结果显示，我们的策略在关键指标上比基准定价策略提高了至少+20%的预订遗憾率和+55%的收入潜力。
2019-11-16 cs.LG stat.ML
Marginal Expected Revenue for Jointly Ranking Auction and Fixed-Price Listings in E-Commerce Sponsored Search
eBay（易趣）
该研究提出边际千次展示预期成本（meCPM）框架，将固定价格eCPM扩展至拍卖及ABIN商品，实现多格式列表统一排名，经在线A/B测试验证可提升收益与用户指标并已落地生产。
2026-09-03 cs.IR cs.LG
Learning Revenue Maximization using Posted Prices for Stochastic Strategic Patient Buyers
Tel Aviv University（特拉维夫大学）；Ben-Gurion University（本-古里安大学）；Google Research（谷歌研究院）
我们认为卖方面对买方有能力推迟他们的决定，我们称之为耐心。每个买家的类型是由价值和耐心，它是i.i.d.抽样。从分布。卖家希望使用公布的价格，最大限度地提高向买家销售的收入。在本文中，我们形式化的设置和特征所产生的Stackelberg均衡，卖方首先承诺她的策略，然后买家最好的反应。接下来，我们将展示如何计算最优纯策略和混合策略。然后，我们考虑一个学习设置，卖方不能访问买方类型的分布。我们的主要结果如下。我们得出一个样本的复杂性界的学习近似最优的纯策略，通过计算脂肪粉碎尺寸这个设置。此外，我们还给出了近似最优混合策略的一般样本复杂度界。我们还考虑了一个在线设置，并得出一个消失的遗憾界方面的最佳纯策略和最佳混合策略。
2022-06-26 cs.GT cs.LG
Objective Variables for Probabilistic Revenue Maximization in Second-Price Auctions with Reserve
Columbia University（哥伦比亚大学）
许多在线公司在第二价格拍卖中出售广告空间。在本文中，我们开发了一种概率方法来学习一个有利可图的策略，以设置保留价。我们使用历史拍卖数据与功能，以适应最佳保留价的预测。这个问题是微妙的-拍卖的结构是这样的，保留价定得太高比保留价定得太低更糟糕。为了解决这个问题，我们开发了目标变量，一个新的框架相结合的概率建模与最优决策。客观变量是“幻觉观测”，它将收入最大化任务转化为正则化的极大似然估计问题，我们用期望最大化算法解决这个问题。该框架允许各种预测机制来设定保留价。作为例子，我们研究了目标变量方法与回归，核化回归，和神经网络的模拟和真实数据。我们的方法在可扩展性和利润方面都优于以前的方法。
2015-06-24 cs.AI cs.GT cs.LG
Trading off Relevance and Revenue in the Jobs Marketplace: Estimation, Optimization and Auction Design
LinkedIn Corporation（领英公司）
研究就业市场职位排名机制，提出通过纳入求职者偏好和应用位置感知拍卖，在收入影响最小化的前提下提升相关性。
2025-04-04 cs.GT cs.LG
On the Learning Curves of Revenue Maximization
Purdue University（普渡大学）；Yale University（耶鲁大学）；Technion（技术学院）；Google Research（谷歌研究院）
本文研究收益最大化学习曲线，揭示单件和单买家环境下学习曲线衰减率，证明在无分布限制时学习曲线收敛但速度极慢，而当最优收益由有限价格实现时衰减率为1/√n，离散分布下衰减几乎指数快。
2026-04-29 cs.DS cs.GT cs.LG
Integrating Reward Maximization and Population Estimation: Sequential Decision-Making for Internal Revenue Service Audit Selection
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；Internal Revenue Service（美国国税局）；University of Chicago（芝加哥大学）
我们引入了一个新的设置，优化和估计结构化土匪。在这里，一个策略必须选择一批武器，每一个武器都有自己的背景，这将使它既能最大化奖励，又能保持对奖励的准确（理想情况下是无偏的）人口估计。这种设置是许多公共和私营部门应用程序所固有的，通常需要处理延迟反馈、小数据和分布偏移。我们证明了它的重要性，从美国国税局（IRS）的真实数据。国税局每年对税基进行审计。其两个最重要的目标是查明可疑的误报和估计“税收差距”-支付数额与真实欠款数额之间的全球差额。基于与IRS的独特合作，我们将这两个过程作为一个统一的优化和估计结构化强盗。我们分析了IRS问题的优化和估计方法，并提出了一种新的无偏人口估计机制，实现了与基线方法相当的回报。这种方法有可能提高审计效率，同时保持对税收差距的政策相关估计。鉴于目前的税收缺口估计接近5000亿美元，这具有重要的社会后果。我们认为，这个问题的设置是肥沃的土壤，为进一步的研究，我们强调其有趣的挑战。这项研究和相关研究的结果目前正在被纳入国税局审计选择方法的不断改进之中。
2023-01-24 cs.CY cs.LG
Learning Theory and Algorithms for Revenue Management in Sponsored Search
Alibaba Group（阿里巴巴集团）
网络广告是互联网业务的主要收入来源。广告商通常根据考虑其出价和潜在点击率（eCTR）的分数进行排名。通常，用户点击广告的可能性通常通过优化点进率而不是其中将使用点进率的拍卖的性能来建模。本文试图通过提出基于最终拍卖性能的点击损失函数来消除这种脱节，在本文中，我们提出了两个可行的度量（AUC^R和SAUC）来直接评估在线RPM（每千人收入）而不是CTR。然后，我们设计了一个显式的排序函数，结合校准因子和价格压扁因子，以最大化收益。考虑到深度网络的强大功能，我们还探索了一个具有深度模型的隐式最优排名函数。最后，给出了使用两个真实世界数据集进行的各种实验。特别是，我们提出的方法在平台的收入方面比最先进的方法表现得更好。
2018-07-05 cs.LG stat.ML
Confidence-Weighted Bipartite Ranking
Colorado State University（科罗拉多州立大学）；Fort Collins, USA（美国科罗拉多州科林斯堡（此处仅作说明，按要求机构粒度为大学级别，原机构为Colorado State University，Fort Collins, USA是其所在城市和国家，按要求提取到大学级别即可，故主要机构为Colorado State University，Fort Collins, USA作为补充说明，但严格按要求，机构名称应为Colorado State University，Fort Collins, USA？但根据示例，原机构是Colorado State University, Fort Collins, USA，所以正确提取应为：{）
二分排序是一个基本的机器学习和数据采掘问题。它通常涉及AUC度量的最大化。最近，一些研究提出了在线二分排名算法，从大量的类不平衡的数据流中学习。这些方法建议线性和基于核的二分排名算法的基础上，一阶和二阶在线学习。与核化排序器不同，线性排序器是更具可扩展性的学习算法。现有的线性在线二分排序算法既缺乏对不可分数据的处理，也缺乏自适应大间隔的构造。这些限制产生不可靠的二分排名性能。在这项工作中，我们提出了一个线性在线置信加权二分排序算法（CBR），采用软置信加权学习。所提出的算法利用软置信加权学习在二分排名的框架中的相同属性。我们还开发了一个对角线变化的建议的置信加权二分排序算法处理高维数据，只保持协方差矩阵的对角元素。我们经验评估所提出的算法在几个基准和高维数据集的有效性。实验结果验证了算法的可靠性。结果还表明，我们的算法优于或至少相当于竞争在线AUC最大化方法。
2019-03-10 cs.LG
Network Revenue Management with Demand Learning and Fair Resource-Consumption Balancing
New York University（纽约大学）；Tsinghua University（清华大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文研究了基于价格的网络收益管理问题，通过引入正则化收益目标，提出了一种结合UCB需求学习的原始对偶型在线策略，在实现收益最大化的同时兼顾公平资源消耗平衡，并实现了 $\widetilde O(N^{5/2}\sqrt{T})$ 的最坏情况后悔界。
2023-09-08 cs.CY cs.LG stat.ML
Revenue Maximization Under Sequential Price Competition Via The Estimation Of s-Concave Demand Functions
Department of Statistics University of Michigan Ann Arbor, MI, USA（统计系密歇根大学安娜堡分校）；Department of Management University of Miami Miami, USA（管理系迈阿密大学）
本文研究了多个卖方在T期内的序列价格竞争，提出利用半参数最小二乘估计的动态定价策略，证明价格收敛至纳什均衡的速度为O(T^{-1/7})，并建立新的集中性结果。
2026-05-07 cs.LG math.PR math.ST
Adaptive Regularized Submodular Maximization
Naveen Jindal School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校纳文·金达尔管理学院）；Department of Computer Science, University of Texas at Dallas（德克萨斯大学达拉斯分校计算机科学系）
在本文中，我们研究的问题之间的差异最大化的自适应子模（收入）函数和非负的模（成本）函数下的自适应设置。我们的问题的输入是一组$n$项目，其中每个项目都有一个特定的状态，从一些已知的先验分布$p$。收入函数$g$是在项目和状态上定义的，而成本函数$c$是在项目上定义的，即，每个项目都有固定的成本。每个项目的状态最初是未知的，必须选择一个项目，以观察其实现状态。策略$π$根据到目前为止所做的观察指定接下来要挑选哪个项。用$g_{avg}(π)$表示$π$的预期收入，用$c_{avg}(π)$表示$π$的预期成本。我们的目标是在$k$基数约束下确定最佳策略$π^o\in \arg\max_πg_{avg}(π)-c_{avg}(π)$.由于我们的目标函数可以取负值和正值，现有的子模最大化的结果可能不适用。为了克服这一挑战，我们与绩效获得者一起开发了一系列有效的解决方案。令$π^o$表示最优策略。对于$g$是自适应单调和自适应子模的情况，我们提出了一个有效的策略$π^l$，使得$g_{avg}(π^l) - c_{avg}(π^l) \geq (1-\frac{1}{e}-ε)g_{avg}(π^o) - c_{avg}(π^o)$只使用$O(nε^{-2}\log ε^{-1})$值进行Oracle查询.对于$g$是自适应子模的情况，我们提出了一种随机化策略$π^r$，使得$g_{avg…
2021-02-28 cs.AI cs.LG
Online Submodular Maximization under a Matroid Constraint with Application to Learning Assignments
California Institute of Technology（加州理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Google, Inc.（谷歌公司）；ETH Zurich（苏黎世联邦理工学院）；Duolingo（多邻国）
我们应该在赞助搜索中显示哪些广告，以最大限度地提高我们的收入？我们应该如何对信息源进行动态排名，以最大化排名的价值？这些应用程序表现出强烈的收益递减：Reddit降低了每个广告或信息源的边际效用。我们表明，这些和其他问题可以被形式化为反复选择分配的项目的位置，以最大限度地提高一个序列的单调子模块功能，逐一到达。我们提出了一个有效的算法，这个一般性的问题，并分析它在无遗憾模型。我们的算法具有很强的理论保证，如性能比收敛到最佳常数1 - 1/e。我们经验评估我们的算法在网络上的两个现实世界中的在线优化问题：广告分配与子模块化的实用程序，动态排名博客检测信息级联。最后，我们提出了第二个算法，处理更一般的情况下，可行集由拟阵约束，同时仍然保持1 - 1/e渐近性能比。
2014-07-03 cs.LG
A Bayesian and Machine Learning approach to estimating Influence Model parameters for IM-RO
University of Saskatchewan（萨斯喀彻温大学）
在线社交网络（OSN）的兴起引起了广告商和研究人员的极大兴趣，他们试图垄断其功能。研究人员的目标是制定策略，以确定如何在OSN内的用户之间传播信息，这些信息是由扩散或影响模型捕获的。我们认为IM-RO问题的影响模型，一种新的配方的影响最大化（IM）问题的基础上实施随机动态规划（SDP）。与涉及影响力传播和子模函数理论的现有方法相比，SDP方法专注于优化点击并最终为OSN中的广告主带来收入。在过去的十年中，影响力最大化的现有方法一直在积极研究，应用到多个领域，然而，我们的方法是一个更实际的变种，原来的IM问题。在本文中，我们通过对合成和真实世界数据集进行实验，对IM-RO问题的影响模型进行了分析。我们提出了一个贝叶斯和机器学习的方法来估计（影响最大化-收入优化）IM-RO问题的影响模型的参数。我们提出了一个贝叶斯分层模型，并实现了著名的朴素贝叶斯分类器（NBC），决策树分类器（DTC）和随机森林分类器（RFC）在三个现实世界的数据集。与以前的方法来估计影响模型参数相比，我们的策略具有直接在标准软件包，如WinBUGS/OpenBUGS/JAGS和Apache Spark中实现的巨大优势。我们展示了我们的方法在OSN的背景下传播信息和为广告商创收方面的效率和可用性。
2018-03-08 cs.LG stat.ML
Randomized Truthful Auctions with Learning Agents
Google Research（谷歌研究院）；New York University（纽约大学）；Yale University（耶鲁大学）
研究学习型智能体参与重复拍卖的设定，发现确定性真实拍卖无法保证收敛，且随机化拍卖在收入最大化上优于带保留价的第二价格拍卖，并给出了非渐近情况下的拍卖者后悔界。
2024-11-14 cs.GT cs.LG econ.TH
Pairwise Ranking Losses of Click-Through Rates Prediction for Welfare Maximization in Ad Auctions
The University of Chicago Booth School of Business（芝加哥大学布斯商学院）；Google Research（谷歌研究院）；Stanford University（斯坦福大学）
本文面向广告拍卖社会福利优化，提出无需eCPM分布假设的加权成对排序损失及教师标签校准方法，并在合成与真实数据上验证其优势。
2023-06-01 cs.GT cs.IR cs.LG
Guaranteed Non-convex Optimization: Submodular Maximization over Continuous Domains
ETH Zurich（苏黎世联邦理工学院）
次模连续函数是一类（一般）非凸/非凹函数，具有广泛的应用。我们描述这些功能，并证明他们可以有效地近似保证最大化。具体地说，i）我们引入了弱DR性质，给出了所有集合、整数格和连续函数的次模性的统一刻画; ii）对于一般下闭凸约束下的单调DR-次模连续函数，我们提出了一个具有$(1-1/e)$逼近保证和次线性收敛速度的Frank-Wolfe变式;（3）对于一般非单调子模连续函数的最大化问题，我们提出了一个具有$1/3$逼近保证的DoubleGreedy算法.子模块连续函数自然地找到应用程序在各种现实世界中的设置，包括影响力和收入最大化与连续分配，传感器能源管理，多分辨率数据汇总，设施位置等实验结果表明，所提出的算法有效地产生优越的解决方案相比，基线算法。
2019-05-06 cs.DS cs.LG
Non-linear Label Ranking for Large-scale Prediction of Long-Term User Interests
Yahoo! Labs（雅虎实验室）；Temple University（天普大学）
我们从广告定位的角度来考虑在线服务的个性化问题，我们寻求找到向每个用户显示的最佳广告类别，从而改善用户体验并增加广告商的收入。我们建议解决这个问题，根据用户的偏好排名的广告类别的任务，并引入一种新的标签排名方法，能够有效地学习非线性，高精度的模型在大规模的设置。在一个超过320万用户的真实广告数据集上的实验表明，该算法在排名损失和top-K检索性能方面优于现有的解决方案，强烈表明使用该模型对大规模排名问题的好处。
2016-06-29 cs.AI cs.LG stat.ML
Skewness Ranking Optimization for Personalized Recommendation
Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）
在本文中，我们提出了一种新的优化标准，利用偏正态分布的功能，以更好地模拟个性化推荐的问题。具体而言，开发的标准借用的概念和灵活性的偏正态分布，基于此三个超参数附加到优化标准。此外，从理论上建立了该准则的最大化与偏正态分布中形状参数之间的关系，并给出了该准则与ROC曲线下面积最大化的类比和渐近分析.在一系列大规模现实世界数据集上进行的实验结果表明，我们的模型显着优于最新技术水平，并在所有测试数据集上始终产生最佳性能。
2020-05-23 cs.IR cs.LG stat.ML
Multi-Class Uncertainty Calibration via Mutual Information Maximization-based Binning
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Stuttgart（斯图加特大学）
事后多类校准是用于提供深度神经网络预测的高质量置信度估计的常用方法。最近的工作表明，广泛使用的缩放方法低估了他们的校准误差，而替代直方图分箱（HB）方法往往无法保持分类精度。当类具有小的先验概率时，HB在转换为K个一对剩余类的校准问题后也面临严重的样本效率低下的问题。本文的目标是解决HB的识别问题，以提供校准的置信度估计，只使用一个小的holdout校准数据集进行箱优化，同时保持多类排名的准确性。从信息理论的角度来看，我们推导出I-Max的概念，装箱，最大限度地提高标签和量化的logits之间的互信息。该概念减轻了由于有损量化而导致的排名性能的潜在损失，并且通过解开箱边缘和代表的优化，允许同时改进排名和校准性能。为了提高样本效率和来自小校准集的估计，我们提出了共享类（sCW）校准策略，在相似类之间共享一个校准器（例如，具有相似的类先验），使得它们的类式校准问题的训练集可以被合并以训练单个校准器。sCW和I-Max分箱的组合使用小的校准集（例如，ImageNet的1 k个样本）。
2022-11-24 cs.LG stat.ML
Fast Adaptive Non-Monotone Submodular Maximization Subject to a Knapsack Constraint
University of Essex（埃塞克斯大学）；University of Amsterdam（阿姆斯特丹大学）；Sapienza University of Rome（罗马智慧大学（罗马第一大学））
针对背包约束下非单调次模最大化问题，提出运行时间为O(n log n)的随机贪心算法，实现5.83近似比，并在随机版本中首次为非单调目标取得9近似比。
2023-10-23 cs.DS cs.LG
Contextual Networks and Unsupervised Ranking of Sentences
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
我们构建了一个上下文网络来表示一个文档的语法和语义之间的关系的单词-句子对，在此基础上，我们设计了一个无监督的算法称为CNATAR（上下文网络和文本分析排名）的句子评分，并通过一个双目标0-1背包最大化问题的主题分析和句子分数的排名。我们表明，CNATAR优于在ROUGE和BLEU指标下SummBank数据集上提供的三位人类法官的综合排名，这在术语上显著优于每个法官的排名。此外，CNATAR产生了迄今为止最高的ROUGE分数超过DUC-02，并优于以前的监督算法上的CNN/DailyMail和纽约时报数据集。我们还比较了CNATAR和最新的监督神经网络摘要模型的性能，并计算了预言结果。
2022-03-09 cs.CL cs.LG
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
