گرادیان نزولی آگاه از پیشنهاد (پیشنهاد مناقصه) برای آموزش بی طرفانه با داده های سانسور شده در تبلیغات نمایشی

گرادیان نزولی آگاه از پیشنهاد (پیشنهاد مناقصه) برای آموزش بی طرفانه با داده های سانسور شده در تبلیغات نمایشی

Bid-aware Gradient Descent for Unbiased Learning with Censored Data in Display Advertising

مقاله انگلیسی ۱۰ صفحه PDF ترجمه فارسی ۳۰ صفحه فارسی

 

چکیده

در تبلیغات نمایشی زمان واقعی، اسلات­های آگهی در هر برداشت از طریق مکانیزم مناقصه فروخته می­شوند. برای یک تبلیغ­کننده، اطلاعات کمپین ناقص است – پاسخ­های کاربر (به عنوان مثال، کلیک و یا تبدیل) و قیمت بازار هر درج آگهی، تنها در صورتی مشاهده می­شود که پیشنهاد مناقصه تبلیغ­کننده، در مناقصه آگهی مربوطه برنده شده باشد. پیش­بینی­هایی، مانند پیش­بینی چشم­انداز پیشنهاد مناقصه، برآورد نرخ کلیک بر آگهی (CTR) و بهینه­سازی پیشنهاد، همه در مرحله قبل از پیشنهاد مناقصه با داده­های درخواست پیشنهاد حجم کامل، بکار برده می­شوند. با این حال، داده­های آموزشی در مرحله پس از پیشنهاد با گرایش به سمت برداشت برنده جمع­ آوری می شوند. راه حل مشترک برای یادگیری در چنین داده­های سانسور شده­ای، وزن­دهی مجدد موارد داده­ها برای اصلاح اختلاف بین آموزش و پیش­بینی است. با این حال، مطالعه کمی در مورد نحوه به دست آوردن وزن­های مستقل از استراتژی­های مناقصه قبلی و در نتیجه ادغام آنها در مراحل پیش­بینی CTR نهایی و تولید پیشنهاد صورت گرفته است. در این مقاله، برآورد CTR و بهینه­سازی پیشنهاد را در چنین داده­های سانسور شده مناقصه تدوین می­کنیم. با اقتباس از یک مدل بقا، نشان می­دهیم که اطلاعات پیشنهاد تاریخی (مبنی بر تاریخ)، به طور طبیعی برای تولید گرادیان نزولی آگاه از پیشنهاد (BGD) ترکیب می­شوند، که اهمیت و جهت گرادیان را برای رسیدن به یادگیری بی­طرفانه، کنترل می­کند. مطالعه تجربی براساس دو مجموعه داده دنیای واقعی با مقیاس بزرگ، افزایش عملکرد قابل توجه از راه حل ما را نشان می­دهد. چارچوب یادگیری در پلت­فرم مناقصه زمان واقعی یاهو مستقر شده است و ۹۷/۲% ترقی AUC را برای برآورد CTR و ۳۰/۹% افت eCPC را برای بهینه­سازی پیشنهاد در آزمون آنلاین A/B فراهم کرد.

کلمات کلیدی: آموزش بی­طرفانه (نااریب), داده­های سانسور شده, مناقصه زمان واقعی, تبلیغات نمایشی

ABSTRACT
In real-time display advertising, ad slots are sold per impression via an auction mechanism. For an advertiser, the campaign information is incomplete | the user responses (e.g,clicks or conversions) and the market price of each ad impression are observed only if the advertiser’s bid had won the corresponding ad auction. The predictions, such as bid landscape forecasting, click-through rate (CTR) estimation, and bid optimisation, are all operated in the pre-bid stage with full-volume bid request data. However, the training data is gathered in the post-bid stage with a strong bias towards the winning impressions. A common solution for learning over such censored data is to reweight data instances to correct the discrepancy between training and prediction. However, little study has been done on how to obtain the weights independent of previous bidding strategies and consequently integrate them into the nal CTR prediction and bid generation steps. In this paper, we formulate CTR estimation and bid optimisation under such censored auction data. Derived from a survival model, we show that historic bid information is naturally incorporated to produce Bid-aware Gradient Descents (BGD) which controls both the importance and the direction of the gradient to achieve unbiased learning. The empirical study based on two large-scale real-world datasets demonstrates remarkable performance gains from our solution. The learning framework has been deployed on Yahoo!’s real-time bidding platform and provided 2.97% AUC lift for CTR estimation and 9.30% eCPC drop for bid optimisation
in an online A/B test.

Keywords: Unbiased Learning, Censored Data, Real-Time Bidding, Display Advertising

.

.

150,000 ریال – خرید

.

.

One Reply to “گرادیان نزولی آگاه از پیشنهاد (پیشنهاد مناقصه) برای آموزش بی طرفانه با داده های سانسور شده در تبلیغات نمایشی”

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *