抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ユーザへのインセンティブ(例えば,アマゾンでのクーポン,Uberの割引,およびTiktokでのビデオブンズ)は,ユーザ関与とプラットフォーム収入を増加させるためにオンラインプラットフォームによって使用される一般的戦略である。その有効性にもかかわらず,これらのマーケティングインセンティブは避けられないコストを招き,適切に使用しないならば,低いROI(投資のリターン)をもたらすかもしれない。一方,異なるユーザは,これらのインセンティブに異なる応答があり,例えば,いくつかのユーザは,クーポンなしで特定の製品を購入しないが,他は,何も行っている。したがって,予算制約の下で各ユーザに対するインセンティブ(すなわち,処理)の正しい量を選択する方法は,大きな実際的含意を有する重要な研究問題である。本論文では,そのような問題を予算制約処理選択(BTS)問題と呼ぶ。課題は,大スケールデータセットに関するBTS問題を効率的に解決する方法であり,既存の技術に関する改良結果を達成する方法である。著者らは,現代の分散コンピューティングシステムに適した効率的処理選択アルゴリズムである,大スケールBudget制約Causal森林(LBCF)アルゴリズムと呼ばれる,予算制約の下で,新しいツリーベースの処理選択技術を提案する。ランダム化比較試験(RCT)データにおけるBTS問題に対する解の性能を評価する際に,新しいオフライン評価法を提案した。大規模ビデオプラットフォームに関する実世界シナリオにおいて著者らのアプローチを展開し,そこでは,プラットフォームがユーザのキャンペーン関与期間を増加させるためにブンスを離れた。シミュレーション解析,オフラインおよびオンライン実験は,著者らの方式が種々のツリーベースの最先端のベースラインより優れていることを示した。提案アプローチは,現在,プラットフォーム上で数百百万のユーザを上回り,これらの月にわたって最も大きな改善の1つを達成した。【JST・京大機械翻訳】