Download as PDF, PPTX
Recommended
More Related Content
More from cyberagent
WWW2018 論文読み会 Webと経済学
- 1.
- 2.
- 3.著者の所属機関情報Session: Web Economics,Monetisation, and Online Markets1111112223344517UppsalaUniversityTouchPalInc.LinkedInCorporationAblibabaGroupUniversityofOxfordMicrosoftResearchHarvardUniversityUCBerkeleyBrownUniversityOathInc.IsraelInstituteofTechnologyTsinghuaUniversityUniversityofZurichYat-senUniversityGoogleInc.大学, 24企業, 24Googleから報告多数企業と大学からの報告が半分ずつ3
- 4.Google Inc. 著者数の変化431720172018Ad Auctions Web Economics, Monetisation, and Online Markets
- 5.
- 6.論文の整理Web Economics, Monetisation,and Online Markets6市場参加者の収益最大化広告や取引の特性予測アルゴリズムエージェントの行動目的 注目ポイント• Bid-Limited Targeting• Optimizing Ad Refresh In Mobile App Advertising• Incentive-Aware Learning for Large Markets• Testing Incentive Compatibility in Display AdAuctions• Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising発表論文
- 7.論文の整理Web Economics, Monetisation,and Online Markets7市場参加者の収益最大化広告や取引の特性予測アルゴリズムエージェントの行動目的 注目ポイント• Bid-Limited Targeting• ★Optimizing Ad Refresh In Mobile AppAdvertising• Incentive-Aware Learning for Large Markets• Testing Incentive Compatibility in Display AdAuctions• ★Field-weighted Factorization Machines forClick-Through Rate Prediction in DisplayAdvertising発表論文
- 8.
- 9.
- 10.広告商品の特徴Optimizing Ad RefreshIn Mobile App Advertising問題意識◦ アプリセッション内での広告更新頻度によっては、ユーザがクリックしようと考えていたものが出なくなったり、ユーザがクリックしないものが出続け、機会損失が発生目的◦ 収益を最大化するために、アプリセッション内でユーザにどのくらい間広告を表示すればよいかを決定アプローチと結果◦ アプリセッション内でのユーザのクリックモデルを2段階で定式化◦ 配信された広告を見る確率モデルと配信された広告を見た上でクリックする確率モデルに分解◦ オフラインとオンラインでオークションモデルと組み合わせてCTRや収益など主要KPIがどのように変化するかを検証10AdMob by Google : https://www.google.com/admob/
- 11.評価Optimizing Ad RefreshIn Mobile App Advertising11主要KPIが向上全セッションにおける期待広告価値の総和がどのくらい上昇しているかを計測していることが特徴的広告主がプラットフォームに出稿を考える指標クリック数CTR広告価値収益
- 12.広告商品と取引形態12最も高い入札をした広告主が落札サイト運営者広告主サイト運営者広告主オープンオークション 優先取引一人の広告主と固定価格で取引DoubleCkick AdExchange : https://support.google.com/adxseller/answer/6268312?hl=jaサイト運営者（Publisher）が適切な広告枠に、広告主の適切な広告を掲載できるような仕組み
- 13.優先取引の問題点Deals or NoDeals: Contract Design for Online Advertising（WWW2017）優先取引における取引の流れ1. 一人のサイト運営者と複数の購入者がいると仮定2. 購入者と取引を行う順番の決定3. 取引ごとに◦ サイト運営者は、購入者にインプレッション総数Iのうちμ%を価格ρでオファー◦ 購入者のインプレッションに対する価値vが価格ρを上回るなら購入非効率性の発生◦ 他の購入者より、高い価値を持つ購入者にインプレッションが配分されないという問題1. サイト運営者の付ける価格が高すぎるため、最も高い価値をつけている購入者さえインプレッションを購入できない。2. サイト運営者が最初に決める取引の順番によって、より高い価値をつけている購入者がインプレッションを購入できない。13最適な取引順序を見つけるのはNP困難（定理1）=> 近似アルゴリズムの提案
- 14.実証実験・結果Deals: Contract Designfor Online Advertising（WWW2017）実験概要◦ Auction-Adjusted Greedy (AAG) Algorithm◦ 最も高い価値をもつ買い手と契約しないときに生じる機会費用を考慮して、買い手のインプレッションの価値を計算◦ Google DoubleClick Ad Exchange での取引データを利用◦ 取引メカニズム間で、ベンチマーク（=最適解）のときの収益にどれだけ近づけるかを検証14☆AAGがベンチマークに最も近く94%を達成☆予約型のセカンドプライスオークションで達成率は高々52%
- 15.
- 16.アルゴリズムアルゴリズム 発表論文 発表年LR比較対象 -Poly2 比較対象 -SVM 比較対象 -FM Factorization Machines 2010GBDT + LR Practical Lessons from Predicting Clicks on Ads at Facebook 2014FFM Field-aware Factorization Machines for CTR Prediction 2016Deep FMDeepFM: A Factorization-Machine based Neural Network forCTR Prediction（IJCAI2017）2017FwFMField-weighted Factorization Machines for Click-Through RatePrediction in Display Advertising（WWW2018）2018Stacking Kaggleコンペティション -16
- 17.アルゴリズムの改善Field-weighted Factorization Machinesfor Click-Through RatePrediction in Display Advertising17i,F(j):i番目の特徴量かつ、i番目の特徴量の交互作用項であるj番目の特徴量のフィールドを表す交互作用項の係数vをベクトルの内積で表現rF(i),F(j):i番目の特徴量のフィールドと、j番目の特徴量のフィールドの強さFFMFwFM
- 18.アルゴリズムの改善Field-weighted Factorization Machinesfor Click-Through RatePrediction in Display Advertising18
- 19.アルゴリズムの改善Field-weighted Factorization Machinesfor Click-Through RatePrediction in Display Advertising19AUCの比較Oath/CriteoのテストデータでAUC向上
- 20.アルゴリズムの改善DeepFM: A Factorization-Machinebased Neural Network for CTRPrediction200.7664FwFMAUC
- 21.
- 22.発表まとめ3 22 ..31. .22