用于在线广告成本预测的可解释深度学习:来自竞争竞价格局的洞察
机器学习
2024-08-22 v2 人工智能
社会与信息网络
摘要
随着广告主日益将预算转向数字广告,准确预测广告成本对于优化营销活动回报变得至关重要。本文提出一项综合研究,采用多种时间序列预测方法来预测在线广告市场中的日均 CPC。我们评估了统计模型、机器学习技术和深度学习方法(包括 Temporal Fusion Transformer (TFT))的性能。我们的发现表明,融入通过时间序列聚类从竞争对手 CPC 模式导出的协变量的多变量模型显著提高了预测精度。我们通过分析特征重要性和时间注意力来解释结果,展示模型如何利用广告主自身数据以及来自竞争格局的洞察。此外,我们的方法在重大市场变动(如 COVID-19 疫情)期间表现稳健,持续优于仅依赖单个广告主数据的模型。本研究引入了一种可扩展技术,用于从广泛的广告主池中选取相关协变量,提供更准确的长期预测以及对数字广告中预算分配和竞争动态的战略洞察。
引用
@article{arxiv.2302.05762,
title = {Interpretable Deep Learning for Forecasting Online Advertising Costs: Insights from the Competitive Bidding Landscape},
author = {Fynn Oldenburg and Qiwei Han and Maximilian Kaiser},
journal= {arXiv preprint arXiv:2302.05762},
year = {2024}
}
备注
Acceptd at IEEE DSAA 2024, 10 pages, 8 figures, 3 tables