广告牌与社交媒体广告中的近似双次模遗憾最小化

我们研究多模式广告场景下的遗憾最小化问题，其中影响力提供者将广告资源（如社交网络种子和广告牌位）分配给多个具有指定影响力需求和支付的广告商。与先前仅关注单一广告模式的工作不同，我们考虑在线与离线模式之间的交互，并引入一种新颖的遗憾模型以捕捉它们的交互效应。这导致了一个非单调、非双次模且在任何常数因子内难以近似计算的遗憾最小化问题。为解决这一问题，我们提出了一种单调、近似双次模的影响力模型，并开发了两种算法解决方案：基于遗憾函数Lovász扩展的投影次梯度法，以及具有可证明保证的近似双次模局部搜索算法。在大规模真实数据集上的实验，包括主要美国城市的广告牌和轨迹数据以及社交网络图，表明我们的方法在满足广告商需求的同时，在最小化总遗憾方面优于现有基线。我们的框架广泛适用于广告之外的其他资源分配场景。