预算约束下行为用户细分中的交付优化发现
人工智能
2024-03-18 v2 信息检索
机器学习
摘要
用户的在线行为足迹使企业能够发现基于行为的用户细分（或细分市场），并向用户传递细分特定的信息。在发现细分之后，通过Facebook和Google等首选媒体渠道向用户传递信息可能具有挑战性，因为一个行为细分中只有部分用户能在媒体中找到匹配，而匹配的用户中又只有一部分实际看到信息（曝光）。当交付失败时，即使是高质量的发现也变得徒劳。存在许多用于发现行为细分的复杂算法；然而，这些算法忽略了交付环节。这个问题因以下两点而更加复杂：(i) 发现是在企业数据中的行为数据空间（例如，用户点击）上进行的，而交付则基于媒体定义的静态数据空间（例如，地理位置、年龄）；(ii) 企业在预算约束下运作。我们引入了一种基于随机优化的算法，用于交付优化的行为用户细分发现，并提出了新的指标来解决联合优化问题。我们利用预算约束下的交付优化，结合基于学习的发现组件。在来自Google的公开数据集和一个专有数据集上的大量实验表明，我们的方法通过同时改善交付指标、减少预算支出并在发现中实现强大的预测性能，证明了其有效性。
引用
@article{arxiv.2402.03388,
title = {Delivery Optimized Discovery in Behavioral User Segmentation under Budget Constraint},
author = {Harshita Chopra and Atanu R. Sinha and Sunav Choudhary and Ryan A. Rossi and Paavan Kumar Indela and Veda Pranav Parwatala and Srinjayee Paul and Aurghya Maiti},
journal= {arXiv preprint arXiv:2402.03388},
year = {2024}
}