在线广告收入预测：一种可解释的深度学习方法
机器学习
2021-11-18 v1 人工智能
摘要
在线广告收入在出版商收入流中所占份额日益增加，尤其是对于依赖谷歌和脸书等科技公司广告网络的中小型出版商而言。因此，准确的在线广告收入预测可显著帮助出版商更好地管理其网站变现策略。然而，仅能访问自身收入数据的出版商缺乏对出版商整体广告市场的全局视野，这限制了他们对自己未来在线广告收入产生洞察的能力。为解决这一业务问题，我们利用一个专有数据库，其中包含来自多个领域大量出版商的 Google Adsense 收入。我们采用 Temporal Fusion Transformer (TFT) 模型——一种基于注意力的新型架构——来预测出版商的广告收入。我们利用多种协变量，不仅包括出版商自身特征，还包括其他出版商的广告收入。我们的预测结果在多个时间跨度上优于若干基准深度学习时间序列预测模型。此外，我们通过分析变量重要性权重来识别显著特征，并通过自注意力权重揭示持续的时间模式，从而对结果进行解释。
引用
@article{arxiv.2111.08840,
title = {Online Advertising Revenue Forecasting: An Interpretable Deep Learning Approach},
author = {Max Würfel and Qiwei Han and Maximilian Kaiser},
journal= {arXiv preprint arXiv:2111.08840},
year = {2021}
}
备注
2021 IEEE International Conference on Big Data (Big Data), 10 pages, 3 figures and 1 table