論文紹介 “Dealing with Interdependencies and Uncertainty in Multi-Channel Advertising Campaigns Optimization”
?
0 likes?136 views
社内勉强会での発表资料です。
![論文について?
The Web Conference 2019 の投稿論文(Demo)?
ミラノ工科大学の人たちの研究?
先行研究もあり、この論文はそれの拡張?
?
“Dealing with Interdependencies and Uncertainty in Multi-Channel Advertising
Campaigns Optimization”
“A Combinatorial-Bandit Algorithm for the Online Joint ?
Bid/Budget Optimization of Pay-per-Click Advertising Campaigns” (AAAI-18) [25] ?](https://image.slidesharecdn.com/survey1-190807080946/85/Dealing-with-Interdependencies-and-Uncertainty-in-Multi-Channel-Advertising-Campaigns-Optimization-2-320.jpg)
![研究のモチベーション（さらに）?
チャンネルが複数あり、相互に影響することも考える必要がある?
複数のチャンネル（検索?ソーシャル?ディスプレイなど）?
相互の依存関係がある?
例、ディスプレイ広告で認知させることで、検索広告のimp数やCV数を増やすことになる。?
関連研究?
?ディスプレイ広告を表示した数日後に検索件数が増える [21]?
?グレンジャー因果検定を使ってディスプレイ広告と検索広告の間で類似性がある [19]?](https://image.slidesharecdn.com/survey1-190807080946/85/Dealing-with-Interdependencies-and-Uncertainty-in-Multi-Channel-Advertising-Campaigns-Optimization-4-320.jpg)
![IDILアルゴリズム(DAG作成部分)?
サブキャンペーン のimp数 ?
imp数のVAR的な推定モデルを作ってみる ?
全てのサブキャンペーンの
過去のimp数?
最大ラグ次数? 係数?
はデータから推定するラグ次数([26]にて) ?
↓の仮説を考えてみる ?
サブキャンペーン?
の過去のimp数の係数が全て0 ?
を棄却すると、?
のimp数が? のimp数に影響を与えているといえる。 ?
→ GCTのところは、この手順で検定しているもよう。?](https://image.slidesharecdn.com/survey1-190807080946/85/Dealing-with-Interdependencies-and-Uncertainty-in-Multi-Channel-Advertising-Campaigns-Optimization-17-320.jpg)
論文紹介 “Dealing with Interdependencies and Uncertainty in Multi-Channel Advertising Campaigns Optimization”
- 1. 論文紹介? “Dealing with Interdependencies and Uncertainty in Multi-Channel Advertising Campaigns Optimization” CyberAgent アドテク本部? 宮西 一徳?
- 2. 論文について? The Web Conference 2019 の投稿論文(Demo)? ミラノ工科大学の人たちの研究? 先行研究もあり、この論文はそれの拡張? ? “Dealing with Interdependencies and Uncertainty in Multi-Channel Advertising Campaigns Optimization” “A Combinatorial-Bandit Algorithm for the Online Joint ? Bid/Budget Optimization of Pay-per-Click Advertising Campaigns” (AAAI-18) [25] ?
- 3. 研究のモチベーション? オンライン広告の収益は、アメリカで880億ドル、全世界で2090億ドル(2017年)? 全体の40%が検索広告? キャンペーンは大量のサブキャンペーンからなる? → それぞれ (広告、ターゲティング、入札額、日予算) などの設定を持ってる ? 特に入札額と日予算は重要なので毎日最適化して収益最大化したい? 人手では現実的ではないので、自動化できれば（部分的にでも^^;）?
- 6. 最适化问题の定式化?
- 7. 最适化问题の定式化? CVR? CTR? 予測imp数? サブキャンペーン のインデックス: j 日にち: t 予算制約? 収益最大化? 入札額の 上限下限? 予算の? 上限下限? サブキャンペーン? について?
- 8. 最适化问题の定式化? 入札額? 予算? influence index? imp数予測の引数たち ? サブキャンペーン? の? 他のサブキャンペーンが ? に与える影響? こちらでいじるのは、サブキャンペーンの入札額と予算だけ ?
- 9. 全体図? DAG（非巡回有向グラフ）作成 ? imp予測モデル作成 ? サブキャンペーン間の ? 相互依存関係を? 明らかにする? 滨顿滨尝アルゴリズム? ガウス過程の予測モデル ? 予算配分最適化? 動的計画法の要領で ? 小分けにした予算を ? サブキャンペーンに配分していく ?
- 10. DAGについて? グレンジャー因果検定を使って、依存関係のあるサブキャンペーンをつないだ? 非巡回有向グラフ(DAG)を作る。? グレンジャー因果とは、 ? YをXで説明することを試みる。この Xが変化した際にYもまた変化していればグレンジャー因果を持つと 呼ぶ。なおグレンジャー因果は通常の意味での因果性を意味しない。たとえば落雷時には雷光の後に 雷鳴が響くが、雷光が雷鳴を生じさせているわけではない（落雷を原因として、雷光?雷鳴という結果が 生じている）。あくまで予測のために利用する概念である。 (Wikipediaより)? サブキャンペーンの各指標(imp, click, cv)の依存関係をDAGで表現する。? （提案手法ではimpだけ。。） ? ? ?
- 11. DAGの例? p値が有意水準5%以下でグレンジャー因果があるとする ? → 矢印でつながっているところ ? （青: ディスプレイ、黄: ソーシャル、赤: 検索） ? 退職者にターゲティングした広告の場合 ? ソーシャルのimp数から検索 のimp数へのエッジは ? どちらにも含まれるので強い 関連性がありそう? 添字の数字はサブキャンペーンのインデックス ?
- 12. DAGの例? p値が有意水準5%以下でグレンジャー因果があるとする ? → 矢印でつながっているところ ? （黄: ソーシャル、赤: 検索(ブランディング)、橙: 検索(その他)） ? imp数のみのDAG? → 異なるサブキャンペーン間で関連性が 見られる?
- 13. 滨顿滨尝アルゴリズム?
- 15. IDILアルゴリズム(DAG作成部分)? : DAGを隣接行列で表したもの ? p値と信頼区間から関係があれば1、な ければ0の行列? サブキャンペーンのペアごとで ? imp数に関するグレンジャー因果検定のp値を計算 ?
- 16. IDILアルゴリズム(DAG作成部分)? 各サブキャンペーンの日次のimp数データについて ? ADF(拡張ディッキー-フラー検定)を使って ? 単位根が最もありそうなラグ次数を求める。 ? 拡張ディッキー-フラー検定とは、 ? 時系列標本が単位根を持つかどうかの仮説検定である。これ は大きくより複雑な時系列モデルに対する ディッキー–フラー 検定の拡張版となっている。検定で用いられる拡張ディッキー –フラー検定統計量は負の値を取る。より大きな負の値を取れ ば取るほど、ある有意水準の下で単位根が存在するという仮 説を棄却する可能性が強くなる (Wikipediaより)
- 17. IDILアルゴリズム(DAG作成部分)? サブキャンペーン のimp数 ? imp数のVAR的な推定モデルを作ってみる ? 全てのサブキャンペーンの 過去のimp数? 最大ラグ次数? 係数? はデータから推定するラグ次数([26]にて) ? ↓の仮説を考えてみる ? サブキャンペーン? の過去のimp数の係数が全て0 ? を棄却すると、? のimp数が? のimp数に影響を与えているといえる。 ? → GCTのところは、この手順で検定しているもよう。?
- 18. IDILアルゴリズム(推定?最適化部分)? imp数はGaussian Processで推定する ? CVRとCTRは実績から計算するだけ ? 最適化の手順はこのあと ?
- 19. 最適化手順? 他のサブキャンペーンからの影響を受けない 順に並べて、順番に処理していく。 ? 最適化は動的計画法的な手順で最適解を求める ? 予算は均等に分割して、 ? サブキャンペーンに割り当てる。 ?
- 20. 最適化手順? 1つ目のサブキャンペーンに ? 小分けにした予算を割り当てた場合の指標を計算 ? （初期化）? 割り当て済み予算のベクトル ? 収益? のinfluence indexの値ベクトル??? 指標?
- 21. 最適化手順? influence indexの計算方法 ? DAGの該当要素 × 予測imp数 ? に対する影響度を数値化 ?
- 25. 実験（実データ）? influence indexの変動に対して予測imp数の変動を見ると ? 入札額と予算は固定で、influence indexを大きくすると、予測 imp数も増加。? このデータのDAGは↓ ? 左のサブキャンペーン ? サブキャンペーン2や3のimp数と ? 正の相関がありそうなことがわかる ?
- 27. 実験（人工データ）? データ生成? ユーザセット? の広告が表示されるユーザ ? の広告が表示された後に ? の広告が表示されるユーザ ? クリック率: ? CV率: ? クリック率: ? CV率: ? それぞれ適当な分布からサンプリングして実験に使う?
- 28. 実験（人工データ） setting1 サブキャンペーン数: 4 ? 予算: 500? 予算分割数: 10? ← 訓練データのうち一様ランダムにデータ収集する日数 ? DAGはこんな感じ→ ? （青: ディスプレイ、赤: 検索） ?
- 29. 実験（人工データ） setting1の結果? DA-IDILはDAGの構造（隣接行列D）を知っている状態でIDILを回したやつ ? 120日分くらいシミュレートして収益を比較 ? で固定して実験? IDILの収益が高い? ? DA-IDILとIDILの差が小さい ? → グレンジャー因果検定がうまく いってる? ? AdComB-Meanは と ? だけに配分した(greedyに) ? ? IDILはバランス良く配分 ? どれも配分開始日に跳ねて、6日程度で収束している。 ?
- 30. 実験（人工データ） setting1の結果? IDILが高い? を増やすと収益も上がる ? AdComB-Meanは変化なし ? （サブキャンペーン間の相互関係を ? 無視したため）? を変えたときの収束してからの平均収益の比較 ?
- 31. 実験（人工データ） setting2 設定? サブキャンペーン数: 5 ? 予算: 500? 予算分割数: 100? ← 訓練データのうち一様ランダムにデータ収集する日数 ? DAGはこんな感じ→ ? （青: ディスプレイ、黄: ソーシャル、赤: 検索） ? ←広くリーチさせたい系 ? （低コスト?低CVR）?
- 32. 実験（人工データ） setting1の結果? IDILが高い? を増やすと収益も上がる ? AdComB-Meanは悪化するし、 ? ランダムに配分した点線よりも悪い。 ? （サブキャンペーン間の相互関係があるとこう なるらしい）? を変えたときの収束してからの平均収益の比較 ?