Loss functions for predicted click‐through rates in auctions for online advertising
在线广告拍卖中点击率预测的损失函数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究广告拍卖中的预测损失与经济效率，未明确涉及离散选择模型或结构估计，给定领域细分的分类证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
在线广告拍卖中点击率预测的损失函数
- 研究问题
- 在线广告拍卖中，预测点击率误差造成的经济损失应如何计入损失函数，常用均方误差或对数似然能否反映拍卖效率的变化？
- 方法与思路
- 作者刻画与点击率预测错误所致经济损失相对应的最优损失函数，并在模型误设情形下说明其与均方误差、对数似然的差异。
- 材料陈述的贡献
- 摘要称经济损失函数会明显惩罚小误差，而对更大误差只略增惩罚；采用该函数可能改善模型误设下的经济效率，但增益预计较小。
- 阅读关注点
- 应核对拍卖规则和经济损失的定义、最优损失函数成立的条件，以及模型误设的示例如何衡量效率增益与预测误差。
- 阅读边界
- 摘要未说明拍卖机制、具体函数形式、数据或量化结果；可能改善且增益较小的陈述，不能据此转化为普遍成立的效率结论。
原文摘要
Summary We characterize the optimal loss functions for predicted click‐through rates in auctions for online advertising. Whereas standard loss functions such as mean squared error or log likelihood severely penalize large mispredictions while imposing little penalty on smaller mistakes, a loss function reflecting the true economic loss from mispredictions imposes significant penalties for small mispredictions and only slightly larger penalties on large mispredictions. We illustrate that when the model is misspecified using such a loss function can improve economic efficiency, but the efficiency gain is likely to be small.