Cara Mengoptimalkan Kampanye Pemasaran & Periklanan Anda Dengan AI Tingkat Lanjut

Diterbitkan Ulang Oleh Plato

Followers: 0

TOBOTS Menerapkan AI dan pembelajaran mesin untuk kampanye periklanan pemasaran

Ringkasan penelitian ini adalah bagian dari kami AI untuk Pemasaran seri yang mencakup pendekatan AI & pembelajaran mesin terbaru untuk 5 aspek otomatisasi pemasaran:

Pada bagian ini, kami menjelaskan pendekatan untuk mengoptimalkan kampanye pemasaran dan periklanan guna meningkatkan penargetan dan meningkatkan ROI pada pengeluaran pemasaran.

Iklan menjadi sangat mahal, saluran pemasaran yang efektif seperti pemasaran konten, menjadi ramai, sulit untuk mengelola dan mengoordinasikan kehadiran omnichannel… Mungkinkah kecerdasan buatan menawarkan beberapa solusi yang berfungsi untuk mengoptimalkan kampanye pemasaran? Faktanya, perusahaan-perusahaan terkemuka telah menikmati berbagai kemungkinan yang disediakan oleh berbagai algoritme pembelajaran mesin, termasuk jaringan saraf dalam, untuk memilih iklan yang tepat untuk ditampilkan kepada pelanggan yang tepat pada waktu yang tepat.

Perusahaan teknologi terkemuka, termasuk Google, Amazon, dan Alibaba, menerapkan pendekatan pembelajaran mesin canggih yang menunjukkan efektivitas mereka dalam mengoptimalkan alokasi kampanye pemasaran dan meningkatkan penargetan pelanggan. Kami telah meneliti terobosan terbaru serta praktik terbaik dari perusahaan terkemuka untuk memberi Anda kemajuan terkini yang diperkenalkan oleh peneliti pembelajaran mesin selama beberapa tahun terakhir.

Jika analisis & ringkasan penelitian AI yang dapat diakses ini berguna untuk Anda, Anda bisa berlangganan untuk menerima pembaruan industri reguler kami di bawah ini.

Jika Anda ingin melompati, berikut adalah makalah yang kami tampilkan:

Makalah Penelitian Optimasi Penting

1. Mesin Faktorisasi Sadar Lapangan dalam Sistem Periklanan Online Dunia Nyata oleh Yuchin Juan, Damien Lefortier, Olivier Chapelle

Abstrak Asli

Memprediksi respons pengguna adalah salah satu tugas inti pembelajaran mesin dalam periklanan komputasi. Mesin Faktorisasi Sadar Lapangan (FFM) baru-baru ini ditetapkan sebagai metode canggih untuk masalah tersebut dan khususnya memenangkan dua tantangan Kaggle. Makalah ini menyajikan beberapa hasil penerapan metode ini dalam sistem produksi yang memprediksi rasio klik-tayang dan konversi untuk iklan bergambar dan menunjukkan bahwa metode ini tidak hanya efektif untuk memenangkan tantangan tetapi juga berharga dalam sistem prediksi dunia nyata. Kami juga membahas beberapa tantangan dan solusi khusus untuk mengurangi waktu pelatihan, yaitu penggunaan algoritma penyemaian yang inovatif dan mekanisme pembelajaran terdistribusi.

Ringkasan Kami

Makalah penelitian ini menyelidiki penerapan Mesin Faktorisasi Sadar Lapangan (FFM) untuk memprediksi rasio klik-tayang dan konversi dalam sistem produksi dunia nyata. Metode FFM telah menunjukkan hasil yang mengesankan di beberapa kompetisi Kaggle namun kecepatan pelatihan untuk algoritme ini mungkin terlalu rendah untuk sistem produksi. Oleh karena itu, peneliti memperkenalkan dua solusi untuk meningkatkan kecepatan pelatihan, yaitu a permulaan hangat sebelum matang dan mekanisme pembelajaran terdistribusi. Eksperimen menunjukkan bahwa pendekatan FFM dikombinasikan dengan teknik yang disarankan menghasilkan peningkatan jumlah tampilan iklan dan peningkatan ROI sekaligus cukup cepat untuk sistem periklanan online dunia nyata.

Apa ide inti dari makalah ini?

Menerapkan Mesin Faktorisasi Sadar Lapangan untuk melatih model prediksi rasio klik-tayang (RKT) dan rasio konversi (CR).
Mengurangi waktu pelatihan dengan menggunakan:
- a mekanisme pembelajaran terdistribusi;
- a permulaan hangat sebelum matang:
  - awal yang hangat: jika setiap set pelatihan berisi data beberapa hari, dan kita maju beberapa jam pada setiap langkah, kita menginisialisasi model baru dengan model yang dilatih pada set pelatihan dari langkah sebelumnya;
  - kita perlu menggunakan a prematur model dari langkah sebelumnya karena metode FFM mengandalkan penghentian awal untuk mencegah overfitting, dan oleh karena itu, penggunaan model yang matang untuk permulaan yang hangat dapat mengakibatkan model baru menjadi model yang matang.

Apa pencapaian utama?

Menunjukkan dengan eksperimen offline serta pengujian A/B online bahwa pendekatan FFM secara signifikan mengungguli model regresi logistik yang menghasilkan:
- peningkatan jumlah tampilan iklan dengan biaya yang sama;
- peningkatan Pengembalian Investasi (ROI).
Memperkenalkan dua teknik sukses untuk meningkatkan kecepatan pelatihan, termasuk algoritma penyemaian inovatif dan mekanisme pembelajaran terdistribusi.

Apa yang dipikirkan komunitas AI?

Makalah ini dipresentasikan pada Konferensi Internasional ke-26 tentang World Wide Web Companion (WWW’ 17).

Apa area penelitian di masa depan?

Mencoba metode start hangat pada masalah non-cembung lainnya yang sulit diatur, misalnya. jaringan saraf yang dalam.

Apa aplikasi bisnis yang memungkinkan?

Mesin Faktorisasi yang sadar lapangan dikombinasikan dengan solusi yang disarankan untuk mempercepat proses pelatihan dapat langsung diterapkan dalam sistem periklanan online dunia nyata yang menghasilkan peningkatan ROI.

Di mana Anda bisa mendapatkan kode implementasi?

2. Jaringan Dalam & Lintas untuk Prediksi Klik Iklan oleh Ruoxi Wang, Bin Fu, Gang Fu, Mingliang Wang

Abstrak Asli

Rekayasa fitur telah menjadi kunci keberhasilan banyak model prediksi. Namun, prosesnya tidak sepele dan sering kali memerlukan rekayasa fitur manual atau pencarian menyeluruh. DNN dapat mempelajari interaksi fitur secara otomatis; namun, mereka menghasilkan semua interaksi secara implisit, dan belum tentu efisien dalam mempelajari semua jenis fitur silang. Dalam makalah ini, kami mengusulkan Deep & Cross Network (DCN) yang mempertahankan manfaat model DNN, dan lebih dari itu, memperkenalkan jaringan lintas baru yang lebih efisien dalam mempelajari interaksi fitur derajat terbatas tertentu. Secara khusus, DCN secara eksplisit menerapkan persilangan fitur di setiap lapisan, tidak memerlukan rekayasa fitur manual, dan menambahkan kompleksitas ekstra yang dapat diabaikan pada model DNN. Hasil eksperimen kami telah menunjukkan keunggulannya dibandingkan algoritme canggih pada kumpulan data prediksi CTR dan kumpulan data klasifikasi padat, baik dari segi akurasi model dan penggunaan memori.

Ringkasan Kami

Para peneliti dari Universitas Stanford dan Google mengusulkan pendekatan baru terhadap prediksi Rasio klik-tayang (RKT). Idenya adalah untuk menggabungkan jaringan dalam dan lintas untuk menikmati kekuatan jaringan saraf dalam (DNN) tetapi juga mendapatkan solusi yang lebih efisien dalam hal biaya komputasi. Jaringan Dalam dan Lintas (DCN) yang dihasilkan secara efisien mempelajari fitur silang prediktif dengan derajat terbatas, menangkap interaksi yang sangat nonlinier, tidak memerlukan rekayasa fitur manual atau penelusuran menyeluruh, dan memiliki jumlah parameter yang hampir jauh lebih sedikit dibandingkan DNN. Eksperimen juga menunjukkan bahwa DCN mengungguli metode canggih dengan memberikan prediksi CTR yang lebih akurat dengan lebih sedikit memori yang digunakan.

Apa ide inti dari makalah ini?

Model Deep & Cross Network (DCN) dimulai dengan menyematkan dan menumpuk lapisan, Diikuti oleh lintas jaringan dan jaringan yang dalam secara paralel, dan diakhiri dengan final lapisan kombinasional.
Menanam dan menumpuk lapisan mengatasi masalah ruang fitur berdimensi terlalu tinggi yang biasa terjadi pada tugas prediksi RKT.
Ide kunci dibalik a lintas jaringan adalah mempelajari interaksi fitur tingkat terbatas secara lebih efisien dan eksplisit:
- secara desain, derajat polinomial tertinggi tumbuh di setiap lapisan;
- jaringan terdiri dari semua lintas segi derajat sampai yang tertinggi.
A jaringan yang dalam diperkenalkan untuk menangkap interaksi yang sangat nonlinier.
Final lapisan kombinasional menggabungkan output dari dua jaringan.

Apa pencapaian utama?

DCN mengungguli model canggih lainnya dalam banyak hal:
- kinerjanya jauh lebih baik daripada jaringan neural dalam tanpa jaringan lintas tetapi hanya menggunakan 40% memori yang digunakan oleh DNN;
- karena semakin banyak lapisan silang yang ditambahkan ke jaringan dalam, logloss berkurang yang mencerminkan peningkatan kinerja.

Apa yang dipikirkan komunitas AI?

Kertas itu disajikan di konferensi AdKDD & TargetAd.

Apa area penelitian di masa depan?

Menjelajahi penggunaan lapisan silang sebagai blok penyusun pada model lain.
Memungkinkan pelatihan yang efektif untuk lintas jaringan yang lebih dalam.
Memahami lebih baik interaksi lintas jaringan dengan jaringan dalam selama pengoptimalan.

Apa aplikasi bisnis yang memungkinkan?

Model DCN dapat meningkatkan akurasi prediksi CTR sekaligus menjaga biaya komputasi tetap rendah.
Keakuratan prediksi RKT sangat penting dalam pengaturan pembayaran biaya per klik, dimana pendapatan penerbit sangat bergantung pada kemampuan memprediksi RKT secara akurat.

Di mana Anda bisa mendapatkan kode implementasi?

Implementasi TensorFlow dari Deep & Cross Network tersedia sebagai bagian dari RKT dalam paket.

3. Bandit Multi-Bersenjata Kontekstual untuk Pemasaran Kausal oleh Neela Sawant, Chitti Babu Namballa, Narayanan Sadagopan, Houssam Nassif

Abstrak Asli

Karya ini mengeksplorasi gagasan pendekatan multi-strategi kontekstual kausal terhadap pemasaran otomatis, di mana kami memperkirakan dan mengoptimalkan efek kausal (inkremental). Berfokus pada efek sebab akibat akan menghasilkan laba atas investasi (ROI) yang lebih baik dengan hanya menargetkan pelanggan yang dapat dibujuk dan tidak akan mengambil tindakan secara organik. Pendekatan kami memanfaatkan kekuatan inferensi kausal, pemodelan peningkatan, dan multi-strategi. Pendekatan ini mengoptimalkan dampak pengobatan yang bersifat kausal dibandingkan hasil murni, dan menggabungkan pembuatan kontrafaktual dalam pengumpulan data. Mengikuti hasil pemodelan peningkatan, kami mengoptimalkan metrik bisnis tambahan. Metode multi-strategi memungkinkan kami untuk melakukan penskalaan ke beberapa perlakuan dan melakukan evaluasi kebijakan di luar kebijakan pada data yang dicatat. Strategi pengambilan sampel Thompson khususnya memungkinkan eksplorasi perlakuan pada konteks pelanggan serupa dan perwujudan hasil kontrafaktual. Eksperimen offline pendahuluan pada kumpulan data pemasaran mode ritel menunjukkan manfaat dari proposal kami.

Ringkasan Kami

Tim Amazon menyarankan pendekatan baru untuk mengoptimalkan kampanye pemasaran. Metode ini mengacu pada inferensi kausal, pemodelan peningkatan, dan multi-strategi. Hal ini memungkinkan penargetan kampanye periklanan berdasarkan hasil tambahan atau sebab-akibat, bukan hasil murni. Secara khusus, pendekatan yang disajikan memungkinkan penargetan hanya pelanggan responsif yang tidak mengambil tindakan secara organik. Eksperimen mengkonfirmasi bahwa fokus pada efek kausal menghasilkan laba atas investasi (ROI) yang lebih tinggi.

Apa ide inti dari makalah ini?

Menggabungkan beberapa teknik untuk mengoptimalkan alokasi kampanye dengan lebih baik:
- meminjam dari pohon penyebab melakukan pendekatan dan mengoptimalkan efek pengobatan kausal dibandingkan hasil murni, dengan menggabungkan pencocokan kontrafaktual saat mengumpulkan data;
- mengikuti teknik pemodelan peningkatan dan mengoptimalkan metrik bisnis tambahan secara langsung;
- menggunakan bandit multi-bersenjata bayesian kontekstual untuk memungkinkan penskalaan ke beberapa perlakuan dan melakukan evaluasi di luar kebijakan:
  - Khususnya, pengambilan sampel Thompson diterapkan untuk mengeksplorasi perlakuan terhadap pelanggan serupa dan perwujudan hasil kontrafaktual.
Pendekatan ini memungkinkan penargetan hanya pelanggan yang dapat dibujuk dan tidak akan mengambil tindakan tanpa paparan terhadap kampanye pemasaran.

Apa pencapaian utama?

Eksperimen pada kumpulan data pemasaran fesyen offline menunjukkan bahwa pendekatan yang disarankan memiliki kinerja yang lebih baik daripada alternatif non-kausal dalam hal hasil tambahan pada pelanggan yang ditargetkan dibandingkan kelompok yang bertahan secara acak.

Apa yang dipikirkan komunitas AI?

Makalah ini dipresentasikan pada Lokakarya ICML 2018, yang mencakup inferensi kausal, prediksi kontrafaktual, dan tindakan otonom (CausalML).

Apa area penelitian di masa depan?

Memanfaatkan dasar yang konsisten di seluruh kampanye pemasaran, bukan dasar yang berbeda-beda.
Memodelkan secara eksplisit trade-off antara tujuan jangka pendek dan jangka panjang.
Menyebarkan sistem yang diperkenalkan pada skala yang lebih besar untuk memungkinkan eksperimen lebih lanjut.

Apa aplikasi bisnis yang memungkinkan?

Berfokus pada efek sebab akibat seperti yang disarankan dalam makalah penelitian ini kemungkinan besar akan menghasilkan:
- penargetan kampanye periklanan yang lebih baik, dan dengan demikian,
- peningkatan laba atas investasi (ROI).

4. Jaringan Evolusi Minat Mendalam untuk Prediksi Rasio Klik-Tayang oleh Guorui Zhou, Na Mou, Ying Fan, Qi Pi, Weijie Bian, Chang Zhou, Xiaoqiang Zhu, Kun Gai

Abstrak Asli

Prediksi rasio klik-tayang (RKT), yang tujuannya adalah memperkirakan kemungkinan klik pengguna, telah menjadi salah satu tugas inti dalam sistem periklanan. Untuk model prediksi RKT, penting untuk menangkap minat pengguna yang tersembunyi di balik data perilaku pengguna. Selain itu, dengan mempertimbangkan perubahan lingkungan eksternal dan kognisi internal, minat pengguna berkembang secara dinamis seiring waktu. Ada beberapa metode prediksi RKT untuk pemodelan minat, sementara sebagian besar menganggap representasi perilaku sebagai minat secara langsung, dan tidak memiliki pemodelan khusus untuk minat laten di balik perilaku konkret. Terlebih lagi, hanya sedikit penelitian yang mempertimbangkan perubahan tren minat. Dalam makalah ini, kami mengusulkan model baru, bernama Deep Interest Evolution Network~(DIEN), untuk prediksi CTR. Secara khusus, kami merancang lapisan ekstraktor minat untuk menangkap kepentingan temporal dari urutan perilaku riwayat. Pada lapisan ini, kami memperkenalkan kerugian tambahan untuk mengawasi ekstraksi bunga di setiap langkah. Karena minat pengguna beragam, khususnya dalam sistem e-niaga, kami mengusulkan lapisan perkembangan minat untuk menangkap proses perkembangan minat yang relatif terhadap item target. Pada lapisan minat yang berkembang, mekanisme perhatian tertanam ke dalam struktur berurutan secara baru, dan efek dari kepentingan relatif diperkuat selama evolusi minat. Dalam eksperimen pada kumpulan data publik dan industri, DIEN secara signifikan mengungguli solusi mutakhir. Khususnya, DIEN telah diterapkan dalam sistem iklan bergambar Taobao, dan memperoleh peningkatan RKT sebesar 20.7%.

Ringkasan Kami

Tim peneliti Alibaba menyarankan bahwa menangkap minat pengguna serta dinamika mereka adalah kunci untuk meningkatkan kinerja prediksi rasio klik-tayang (RKT). Selain itu, mereka mengklaim bahwa perilaku eksplisit pengguna tidak secara langsung mencerminkan kepentingan terpendam mereka. Oleh karena itu, para peneliti memperkenalkan Deep Interest Evolution Network (DIEN) yang memodelkan proses perkembangan minat dan secara signifikan meningkatkan akurasi prediksi RKT dalam iklan online. Idenya adalah untuk menangkap kepentingan laten dan dinamikanya dengan merancang dan menggabungkan masing-masing lapisan ekstraktor minat dan lapisan evolusi minat. Efisiensi pendekatan ini dikonfirmasi tidak hanya melalui eksperimen tetapi juga melalui penerapan di dunia nyata.

Apa ide inti dari makalah ini?

Deep Interest Evolution Network (DIEN) dirancang untuk meningkatkan kinerja prediksi CTR. Untuk mencapai tujuan ini, ini mencakup dua modul utama:
- lapisan ekstraktor bunga untuk menangkap kepentingan temporal laten dari perilaku pengguna yang eksplisit;
- lapisan berkembang yang menarik untuk memodelkan proses perkembangan minat.
At lapisan ekstraktor bunga, model ini mengikuti prinsip bahwa minat mengarah pada perilaku berurutan secara langsung dan mencakup kerugian tambahan yang menggunakan perilaku berikutnya untuk mengawasi pembelajaran keadaan tersembunyi saat ini.
At lapisan berkembang yang menarik, model tersebut memperkuat pengaruh kepentingan yang paling relevan dengan suatu item sasaran dan melemahkan pengaruh kepentingan yang tidak relevan untuk mengatasi inferensi dari penyimpangan kepentingan.

Apa pencapaian utama?

Eksperimen pada kumpulan data publik Amazon dan kumpulan data industri Alibaba menunjukkan bahwa DIEN secara signifikan mengungguli solusi alternatif canggih dalam hal prediksi CTR.

Apa yang dipikirkan komunitas AI?

Makalah tersebut dipresentasikan pada AAAI 2019, salah satu konferensi kunci tentang kecerdasan buatan.

Apa area penelitian di masa depan?

Membangun model minat yang lebih dipersonalisasi untuk prediksi RKT.

Apa aplikasi bisnis yang memungkinkan?

Kerangka kerja yang diperkenalkan telah diterapkan dalam sistem iklan bergambar Taobao, menghasilkan peningkatan RKPT sebesar 20.7%.

Di mana Anda bisa mendapatkan kode implementasi?

Implementasi Tensorflow dari Deep Interest Evolution Network tersedia di GitHub.

5. Belajar Beriklan dengan Eksposur Adaptif melalui Pembelajaran Penguatan Dua Tingkat yang Dibatasi oleh Weixun Wang, Junqi Jin, Jianye Hao, Chunjie Chen, Chuan Yu, Weinan Zhang, Jun Wang, Yixi Wang, Han Li, Jian Xu, Kun Gai

Abstrak Asli

Untuk periklanan online di e-niaga, masalah tradisionalnya adalah menetapkan iklan yang tepat kepada pengguna yang tepat di slot iklan tetap. Dalam makalah ini, kami menyelidiki masalah periklanan dengan paparan adaptif, yang mana jumlah slot iklan dan lokasinya dapat berubah secara dinamis seiring waktu berdasarkan skor relatifnya terhadap produk rekomendasi. Untuk mempertahankan retensi pengguna dan pendapatan jangka panjang, ada dua jenis batasan yang harus dipenuhi dalam paparan: batasan tingkat kueri dan batasan hari. Kami memodelkan masalah ini sebagai proses keputusan markov yang dibatasi dengan batasan per negara bagian (psCMDP) dan mengusulkan pembelajaran penguatan dua tingkat yang dibatasi untuk memisahkan masalah optimasi paparan iklan asli menjadi dua masalah sub-optimasi yang relatif independen. Kami juga mengusulkan mekanisme pemutaran ulang pengalaman yang terbatas untuk mempercepat proses pelatihan kebijakan. Hasil eksperimen menunjukkan bahwa metode kami dapat meningkatkan pendapatan iklan sekaligus memenuhi berbagai tingkat kendala berdasarkan kumpulan data dunia nyata. Selain itu, usulan mekanisme pemutaran ulang pengalaman yang terbatas dapat secara signifikan meningkatkan kecepatan pelatihan dan stabilitas kinerja kebijakan.

Ringkasan Kami

Dalam makalah ini, para peneliti dari Universitas Tianjin dan Alibaba menyelidiki cara terbaik untuk menetapkan iklan yang tepat kepada pengguna yang tepat, sementara jumlah slot iklan dan lokasinya dapat berubah secara dinamis seiring waktu. Mereka berasumsi bahwa untuk mempertahankan retensi pelanggan dan pendapatan jangka panjang, pendekatan ini perlu mempertimbangkan dua jenis kendala, yaitu tingkat harian dan tingkat kueri. Dengan demikian, mereka memodelkan permasalahan tersebut sebagai Proses Keputusan Markov yang Dibatasi dengan batasan per negara bagian (psCMDP). Untuk mempelajari kebijakan periklanan optimal yang memenuhi batasan tingkat hari dan tingkat kueri, penulis mengusulkan kerangka pembelajaran penguatan terstruktur dua tingkat yang dibatasi. Eksperimen menunjukkan bahwa pendekatan yang disarankan mempunyai dampak positif terhadap pendapatan iklan, kecepatan pelatihan, dan stabilitas kinerja kebijakan.

Apa ide inti dari makalah ini?

Menyelidiki masalah dalam menetapkan iklan yang tepat kepada pelanggan yang tepat dengan jumlah slot iklan dan lokasinya berubah secara dinamis seiring waktu mengikuti skor relatif mereka dengan produk rekomendasi, atau dengan kata lain, iklan dengan masalah paparan adaptif.
Memodelkan masalah ini sebagai Proses Keputusan Markov yang Dibatasi dengan batasan per negara (psCMDP).
Mengusulkan kerangka pembelajaran penguatan terstruktur dua tingkat yang dibatasi untuk mempelajari kebijakan periklanan optimal yang memenuhi batasan tingkat hari dan tingkat kueri:
- batasan tingkat lintasan (yaitu, tingkat hari) dan tingkat negara bagian (yaitu, tingkat kueri) dipisahkan ke dalam tingkat proses pembelajaran yang berbeda;
- di tingkat rendah, model mempelajari kebijakan periklanan optimal di bawah batasan sub-lintasan tertentu yang disediakan oleh bagian tingkat tinggi.
Mengusulkan Constrained Hindsight Experience Replay (CHER) untuk mempercepat pelatihan kebijakan tingkat rendah.

Apa pencapaian utama?

Mendemonstrasikan melalui eksperimen pada kumpulan data dunia nyata bahwa:
- pendekatan yang disarankan dapat secara signifikan meningkatkan pendapatan akhir dari iklan, dan
- mekanisme CHER berdampak positif pada kecepatan pelatihan, sekaligus mengurangi deviasi dan varians dari batasan per negara bagian.

Apa area penelitian di masa depan?

Menggeneralisasi kerangka kerja yang diperkenalkan untuk masalah e-commerce dengan lebih banyak kendala.
Membangun yang terkenal arsitektur kritis-pilihan untuk secara otomatis mempelajari panjang setiap sub-lintasan alih-alih memperbaikinya.

Apa aplikasi bisnis yang memungkinkan?

Pendekatan periklanan online yang diperkenalkan di e-commerce dapat menjadi kandidat yang baik untuk penerapan di dunia nyata karena:
- dampak positif terhadap pendapatan iklan;
- kecepatan pelatihan tinggi;
- stabilitas kinerja.

6. AiAds: Sistem Periklanan Otomatis dan Cerdas untuk Pencarian Bersponsor, oleh Xiao Yang, Daren Sun, Ruiwei Zhu, Tao Deng, Zhi Guo, Jiao Ding, Shouke Qin, Zongyao Ding, Yanfeng Zhu

Abstrak Asli

Pencarian sponsor memiliki lebih dari 20 tahun sejarah, dan telah terbukti menjadi model bisnis yang sukses untuk periklanan online. Berdasarkan model penetapan harga bayar per klik dan teknologi penargetan kata kunci, sistem bersponsor menjalankan lelang online untuk menentukan alokasi dan harga iklan pencarian. Dalam pengaturan tradisional, pengiklan harus secara manual membuat banyak materi iklan dan menawar beberapa kata kunci yang relevan untuk menargetkan audiens mereka. Karena jumlah lalu lintas pencarian yang sangat besar dan beragamnya pembuatan iklan, batasan pengoptimalan manual dari pengiklan menjadi hambatan utama untuk meningkatkan efisiensi pasar ini. Selain itu, karena banyak bentuk dan persediaan iklan yang muncul tumbuh, sangat penting bagi platform pencarian yang disponsori untuk lebih memperhatikan metrik ROI iklan untuk mendapatkan anggaran pemasaran pengiklan.

Dalam makalah ini, kami menyajikan sistem AiAds yang dikembangkan di Baidu, yang menggunakan teknik pembelajaran mesin untuk membangun sistem periklanan otomatis dan cerdas. Dengan merancang dan menerapkan strategi penawaran otomatis, penargetan cerdas, dan model pembuatan cerdas, sistem AiAds dapat mengubah pengoptimalan manual menjadi beberapa tugas otomatis dan mengoptimalkan tugas-tugas ini dalam metode lanjutan. AiAds adalah arsitektur baru dari sistem pencarian bersponsor yang mengubah bahasa penawaran dan mekanisme alokasi, melanggar batas penargetan kata kunci dengan kerangka pengambilan iklan ujung ke ujung dan menyediakan pengoptimalan global pembuatan iklan. Sistem ini dapat meningkatkan kinerja kampanye pengiklan, pengalaman pengguna, dan pendapatan platform periklanan secara bersamaan dan signifikan. Kami menyajikan arsitektur keseluruhan dan teknik pemodelan untuk setiap modul sistem dan berbagi pelajaran kami dalam memecahkan beberapa tantangan utama.

Ringkasan Kami

Tim peneliti Baidu mengatasi tantangan utama pencarian yang disponsori dengan memperkenalkan iklan sistem, sistem periklanan otomatis dan cerdas, yang didasarkan pada berbagai teknik pembelajaran mesin. Secara khusus, mereka menyarankan mesin penawaran otomatis untuk memecahkan masalah pengoptimalan penawaran manual tingkat kata kunci tradisional; layanan penargetan cerdas untuk pencocokan langsung dari kueri ke iklan terkait tanpa mediasi kata kunci; dan kerangka kerja cerdas untuk pembuatan kerangka iklan otomatis berdasarkan informasi yang tersedia tentang produk dan bisnis. Hasil dari tes A/B online dan eksperimen pengelompokan jangka panjang menunjukkan efektivitas sistem AiAds untuk pengiklan, platform periklanan, dan pengguna.

Apa ide inti dari makalah ini?

Saat ini, pendekatan tradisional untuk pencarian bersponsor – dengan pemilihan kata kunci manual, pengoptimalan penawaran tingkat kata kunci, model penetapan harga bayar per klik, dan pembuatan iklan manual – menjadi terlalu rumit dan tidak efisien.
Untuk mengatasi tantangan utama dalam pencarian bersponsor, tim peneliti Baidu menyarankan:
- bahasa penawaran baru dan strategi penawaran otomatis yang sesuai bagi pengiklan untuk mengoptimalkan kinerja kampanye secara langsung;
- model pencarian dan pencocokan yang mudah untuk pemilihan iklan yang lebih optimal sesuai dengan kueri penelusuran;
- kerangka kerja komponen untuk merancang dan menghasilkan kreasi iklan yang secara otomatis mengoptimalkan konten dan tata letak iklan.

Apa pencapaian utama?

Memperkenalkan sistem otomatis dan cerdas untuk pencarian bersponsor yang:
- meningkatkan kinerja kampanye untuk pengiklan (peningkatan konversi 56%);
- meningkatkan pengalaman pengguna dengan menyediakan iklan yang lebih relevan untuk kueri yang diberikan;
- meningkatkan pendapatan platform periklanan (peningkatan pendapatan 47%).

Apa yang dipikirkan komunitas AI?

Makalah ini diterima di KDD 2019, konferensi terkemuka dalam penemuan pengetahuan dan penambangan data.

Apa area penelitian di masa depan?

Mengoptimalkan model pengambilan iklan dengan memanfaatkan lebih banyak sumber data dan model lanjutan.
Memecahkan masalah yang ada dalam merancang mekanisme yang wajar untuk penawar dengan ROI terbatas.

Apa aplikasi bisnis yang memungkinkan?

Elemen-elemen dari sistem periklanan yang diperkenalkan dapat diimplementasikan oleh platform periklanan lain untuk meningkatkan konversi, meningkatkan pengalaman pengguna, dan meningkatkan pendapatan.

7. Pemodelan Calon Pengguna yang Sadar Waktu untuk Iklan Tampilan Online Display, oleh Djordje Gligorijevic, Jelena Gligorijevic, Aaron Flores

Abstrak Asli

Periklanan tampilan prospektif menimbulkan tantangan besar bagi platform periklanan besar karena sinyal prediksi terkuat dari pengguna tidak memenuhi syarat untuk digunakan dalam sistem prediksi konversi. Untuk itu, upaya dilakukan untuk mengumpulkan informasi sebanyak mungkin tentang setiap pengguna dari berbagai sumber data dan untuk merancang model yang kuat yang dapat menangkap sinyal yang lebih lemah yang pada akhirnya mendapatkan perkiraan probabilitas prediksi konversi yang berkualitas baik. Dalam studi ini, kami mengusulkan pendekatan baru yang sadar waktu untuk memodelkan urutan heterogen aktivitas pengguna dan menangkap sinyal implisit dari maksud konversi pengguna. Pada dua set data dunia nyata, kami menunjukkan bahwa pendekatan kami mengungguli pendekatan lain yang diusulkan sebelumnya, sambil memberikan interpretasi dampak sinyal terhadap probabilitas konversi.

Ringkasan Kami

Tim Yahoo Research mengatasi masalah menarik pengguna baru dengan iklan tampilan online. Ini adalah tugas yang sangat menantang karena sinyal kuat dari minat pengguna seperti kunjungan ke situs web pengiklan atau konversi terbaru tidak tersedia untuk calon pelanggan. Oleh karena itu, peneliti menyarankan untuk mengumpulkan semua informasi yang tersedia tentang pengguna sebagai urutan aktivitas yang diatur waktu (yaitu, sesi pencarian, klik iklan, reservasi, keranjang belanja, dll.). Kemudian, mereka memperkenalkan pendekatan pembelajaran urutan untuk memodelkan aktivitas pengguna yang heterogen berdasarkan waktu yang dikumpulkan dari berbagai sumber. Pendekatan ini mencakup mekanisme sadar waktu baru untuk menangkap aspek temporal peristiwa. Eksperimen menunjukkan keefektifan dan kemampuan interpretasi dari pendekatan yang disarankan.

Apa ide inti dari makalah ini?

Pengiklan selalu tertarik untuk mendapatkan pelanggan baru yang belum pernah berinteraksi sebelumnya dengan masing-masing pengiklan.
Untuk mengatasi masalah ini, tim Yahoo Research memperkenalkan sebuah novel Percakapan Sadar Waktu Mendalam (DTAIN) model:
- Masukan dari model mencakup urutan peristiwa, perbedaan waktu antara cap waktu peristiwa, dan titik waktu prediksi.
- Informasi ini melewati 5 blok yang dirancang khusus: peristiwa dan penyisipan informasi temporal, blok pembelajaran perhatian temporal, blok jaring berulang, blok pembelajaran perhatian, dan blok klasifikasi akhir.

Apa pencapaian utama?

Eksperimen dengan kumpulan data publik dan kepemilikan menunjukkan bahwa:
- Informasi temporal penting untuk memprediksi konversi.
- DTAIN secara signifikan mengungguli beberapa dasar yang kuat sehubungan dengan prediksi konversi.

Apa yang dipikirkan komunitas AI?

Makalah tersebut dipresentasikan pada lokakarya AdKDD dalam konferensi KDD 2019.

Apa area penelitian di masa depan?

Mengembangkan teknik baru untuk mengatasi gangguan signifikan yang ada dalam data yang dikumpulkan dari banyak sumber data.

Apa aplikasi bisnis yang memungkinkan?

Pendekatan yang diperkenalkan dapat menguntungkan pengiklan dan penerbit iklan dengan memprediksi konversi calon pelanggan secara efektif.

8. Kerangka Kerja Terpadu untuk Alokasi Anggaran Pemasaran, oleh Kui Zhao, Junhao Hua, Ling Yan, Qi Zhang, Huan Xu, Cheng Yang

Abstrak Asli

Sementara alokasi anggaran pemasaran telah dipelajari selama beberapa dekade dalam bisnis tradisional, saat ini bisnis online membawa lebih banyak tantangan karena lingkungan yang dinamis dan proses pengambilan keputusan yang kompleks. Dalam makalah ini, kami menyajikan kerangka kerja terpadu baru untuk alokasi anggaran pemasaran. Dengan memanfaatkan data yang melimpah, pendekatan berbasis data yang diusulkan dapat membantu kami mengatasi tantangan dan membuat keputusan yang lebih tepat. Dalam pendekatan kami, model semi-kotak hitam dibangun untuk meramalkan respons pasar yang dinamis dan metode optimasi yang efisien diusulkan untuk menyelesaikan tugas alokasi yang kompleks. Pertama, respons di setiap segmen pasar diperkirakan dengan mengeksplorasi data historis melalui model semi-kotak hitam, di mana kemampuan kurva permintaan logit ditingkatkan oleh jaringan saraf. Model respon mengungkapkan hubungan antara biaya penjualan dan pemasaran. Berdasarkan model yang dipelajari, alokasi anggaran kemudian dirumuskan sebagai masalah optimasi, dan kami merancang algoritma yang efisien untuk menyelesaikannya dalam pengaturan kontinu dan diskrit. Beberapa jenis kendala bisnis didukung dalam satu paradigma optimasi terpadu, termasuk batas atas biaya, batas bawah laba, atau batas bawah ROI. Kerangka kerja yang diusulkan mudah diimplementasikan dan siap untuk menangani masalah skala besar. Ini telah berhasil diterapkan ke banyak skenario di Alibaba Group. Hasil eksperimen offline dan pengujian A/B online menunjukkan keefektifannya.

Ringkasan Kami

Bisnis online membawa tantangan baru dalam proses alokasi anggaran pemasaran. Lingkungan sangat dinamis dan penyesuaian anggaran perlu dilakukan setiap minggu atau bahkan setiap hari. Tim peneliti Alibaba memperkenalkan kerangka kerja terpadu untuk alokasi anggaran pemasaran dalam bisnis online. Mereka menyarankan pendekatan dua langkah, di mana pertama, respons di setiap segmen pasar dipelajari dari data historis, dan kemudian, alokasi anggaran dioptimalkan berdasarkan model yang dipelajari. Pendekatan yang disarankan sedang diterapkan oleh Grup Alibaba, menunjukkan efektivitasnya dalam menangani masalah skala besar.

Apa ide inti dari makalah ini?

Perusahaan yang beroperasi dalam lingkungan online yang dinamis perlu mendekati masalah alokasi anggaran pemasaran dengan solusi berbasis data baru.
Tim peneliti Alibaba memperkenalkan sebuah novel kerangka kerja terpadu untuk alokasi anggaran pemasaran.
- Pertama, respons pasar di setiap segmen diramalkan dengan model semi-kotak hitam, di mana kurva permintaan logit didukung oleh jaringan saraf.
- Kemudian, alokasi anggaran dirumuskan sebagai masalah optimasi.
  - Metode pengali Lagrange diterapkan untuk mengatasi kurva permintaan logit yang tidak cembung.
Kendala bisnis tambahan, seperti batas atas biaya, batas bawah laba, atau batas bawah ROI juga dapat dimasukkan ke dalam kerangka kerja yang disarankan.

Apa pencapaian utama?

Kerangka kerja yang diusulkan telah berhasil diterapkan ke banyak skenario di Alibaba Group.
Pengujian A/B online menunjukkan bahwa kerangka kerja yang diperkenalkan untuk alokasi anggaran pemasaran dapat mengarah pada:
- pertumbuhan penjualan mingguan lebih dari 6%
- dengan 40% lebih sedikit uang yang dihabiskan.

Apa yang dipikirkan komunitas AI?

Makalah ini diterima di KDD 2019, konferensi terkemuka dalam penemuan pengetahuan dan penambangan data.

Apa area penelitian di masa depan?

Menjelajahi hubungan antara biaya pasar dan variabel kontekstual (yaitu, merek, kota, waktu konsumsi, dll) dalam model respons logit.
Menyelidiki kemungkinan mendukung batasan batasan pada variabel keputusan di bagian optimasi kerangka kerja.

Apa aplikasi bisnis yang memungkinkan?

Pendekatan yang diperkenalkan dapat secara signifikan meningkatkan efektivitas alokasi anggaran pemasaran untuk perusahaan yang beroperasi dalam bisnis online.

Kami akan memberi tahu Anda ketika kami merilis lebih banyak artikel ringkasan seperti ini.