奥奥奥2018 论文読み会 奥别产と経済学
- 3. 著者の所属機関情報 Session: Web Economics, Monetisation, and Online Markets 1 1 1 1 1 1 2 2 2 3 3 4 4 5 17 UppsalaUniversity TouchPalInc. LinkedInCorporation AblibabaGroup UniversityofOxford MicrosoftResearch HarvardUniversity UCBerkeley BrownUniversity OathInc. IsraelInstituteofTechnology TsinghuaUniversity UniversityofZurich Yat-senUniversity GoogleInc. 大学, 24企業, 24 Google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 4 3 17 2017 2018 Ad Auctions Web Economics, Monetisation, and Online Markets
- 6. 論文の整理 Web Economics, Monetisation, and Online Markets 6 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 Ad Auctions ? 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 Markets 7 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 Ad Auctions ? ★Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising 発表論文
- 8. 広告商品と取引形態 8
- 10. 広告商品の特徴 Optimizing Ad Refresh In 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 10 AdMob by Google : https://www.google.com/admob/
- 11. 評価 Optimizing Ad Refresh In Mobile App Advertising 11 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 Ad Exchange : 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 No Deals: 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 Design for 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. アルゴリズムの改善 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 2010 GBDT + LR Practical Lessons from Predicting Clicks on Ads at Facebook 2014 FFM Field-aware Factorization Machines for CTR Prediction 2016 Deep FM DeepFM: A Factorization-Machine based Neural Network for CTR Prediction（IJCAI2017） 2017 FwFM Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising（WWW2018） 2018 Stacking Kaggleコンペティション - 16
- 17. アルゴリズムの改善 Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising 17 i,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 FFM FwFM
- 18. アルゴリズムの改善 Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising 18
- 19. アルゴリズムの改善 Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising 19 AUC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-Machine based Neural Network for CTR Prediction 20 0.7664 FwFM AUC
- 21. まとめ 21
- 22. 発表まとめ 3 2 2 . . 31 . . 22