面向在线广告的细粒度受众规模预测
人工智能
2019-01-09 v1
摘要
在线展示广告活动的编排要求营销人员以网络流量特定属性的粒度预测受众规模，这些属性由所有属性的类别型性质刻画（例如{US, Chrome, Mobile}）。由于每个属性取多个值，极大的属性组合集使得估计任意特定属性组合的受众规模颇具挑战。我们修改了频繁项集挖掘(FIM)算法Eclat以容纳类别变量。对于随后的频繁与非频繁项集，我们进而使用带条件概率的时间序列分析提供预测以辅助近似。我们构建了基于受众数据典型特征的广泛模拟，以压力测试我们修改后的FIM方法。在两个真实数据集中，与包括神经网络模型在内的基线相比，我们的方法降低了类别数据FIM的计算时间。在留出样本上，我们显示所提预测方法优于这些基线。
引用
@article{arxiv.1901.02412,
title = {Forecasting Granular Audience Size for Online Advertising},
author = {Ritwik Sinha and Dhruv Singal and Pranav Maneriker and Kushal Chawla and Yash Shrivastava and Deepak Pai and Atanu R Sinha},
journal= {arXiv preprint arXiv:1901.02412},
year = {2019}
}
备注
Published at AdKDD & TargetAd 2018