ADVERTISING BIDDING OPTIMIZATION BY TARGETING BASED ON SELF-LEARNING DATABASE

Rozważono metodę ukierunkowywania reklam w serwisach internetowych w oparciu o ustrukturyzowaną samouczącą się bazę danych. W bazie gromadzone są dane o wcześniej zaakceptowanych żądaniach wyświetlenia reklam z zamkniętej aukcji, dane o udziale w aukcji oraz o wynikach wyświetlania reklam – zarejestrowanie kliknięcia i instalacji produktu. Bazę tworzą strumienie z cechami – strona, miejsce, cena. Każdy taki strumień strukturalny ma właściwości statystyczne, które są znacznie prostsze w porównaniu do ogólnego strumienia wyświetleń reklamy, co pozwala przewidywać skuteczność reklamy. Selekcja tylko obiecujących pod względem wyniku zapytań ofertowych pozwala na obniżenie kosztów wyświetlania reklam.

Słowa kluczowe:

licytowanie reklam, targetowanie, reklama targetowana, przewidywanie kliknięć

Bibliografia

Adikari S., Dutta K.: Real Time Bidding in Online Digital Advertisement. New Horizons in Design Science 9073, 2015, 19–38. DOI: https://doi.org/10.1007/978-3-319-18714-3_2

Avila C. P., Vijaya M. S.. Click Through Rate Prediction for Display Advertisement. International Journal of Computer Applications 136(1), 2016, 18–24. DOI: https://doi.org/10.5120/ijca2016908332

Bisikalo O., Kharchenko V., Kovtun V., Krak I., Pavlov S.: Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 2023, 25, 184 [http://doi.org/10.3390/e25020184]. DOI: https://doi.org/10.3390/e25020184

Chapelle O.: Ofﬂine Evaluation of Response Prediction in Online Advertising Auctions. IW3C2, Florence, 2015, 943–944. DOI: https://doi.org/10.1145/2740908.2742566

Chapelle O., Manavoglu E., Rosales R.: Simple and scalable response prediction for display advertising. Transactions on Intelligent Systems and Technology (TIST) 5(4), 2015, Article No. 61, A1–A34. DOI: https://doi.org/10.1145/2532128

IAB 2014. OpenRTB API Specification Version 2.2. http://www.iab.net/media/file/

Jahrer M., Töscher A., Lee J.-Y., Deng J., Zhang H., Spoelstra J.: Ensemble of collaborative filtering and feature engineered model for click through rate prediction. Proceedings of KDD Cup 2012 Workshop, Beijing 2012, 1222–1230.

Juan Y., Zhuang Y., Chin W.-S., Lin C.-J.: Field-aware Factorization Machines for CTR Prediction. RecSys’16, Boston, 2016, 43–50. DOI: https://doi.org/10.1145/2959100.2959134

Kondakindi G., Rana S., Rajkumar A., Ponnekanti S. K., Parakh V.: A Logistic Regression Approach to Ad Click Prediction. Machine Learning Project, 2014, 399–400.

McMahan H. B., Holt G., Sculley D., Young M., Ebner D., Grady J. et. al. Ad Click Prediction: A View from the Trenches. KDD’13, Chicago, 2013, 1222–1230. DOI: https://doi.org/10.1145/2487575.2488200

Nigam K. L., Afferty J., McCallum A.: Using maximum entropy for text classification. IJCAI-99 1, 1999, 61–67.

Pan Z., Chen E., Liu Q., Xu T., Ma H., Lin H.: Sparse Factorization Machines for Click-through Rate Prediction. IEEE 16th International Conference on Data Mining, 2016, 400–409. DOI: https://doi.org/10.1109/ICDM.2016.0051

Richardson M., Dominowska E., Ragno R.: Predicting clicks: estimating the click-through rate for new ads. ACM, 2007, 521– 530. DOI: https://doi.org/10.1145/1242572.1242643

Sree Vani M.: Prediction of Mobile Ad Click Using Supervised Classification Algorithms. International Journal of Computer Science and Information Technologies 7 (2), 2016, 623–625.

Ta A.-P.: Factorization Machines with Follow-The-Regularized-Leader for CTR prediction in Display Advertising. IEEE International Conference on Big Data, 2015, 2889–2891. DOI: https://doi.org/10.1109/BigData.2015.7364112

The Real-Time Bidding (RTB) Protocol specification, 2016 https://developers.google.com/ad-exchange/rtb

Zhang W., Yuan S., Wang J.: Optimal Real-Time Bidding for Display Advertising. KDD’14, New York, 2014, 1097–1105. DOI: https://doi.org/10.1145/2623330.2623633

Kvуetnyy R., Bunyak, Y., Sofina, O., Kaduk, O., Mamyrbayev, O., Baklaiev, V., & Yeraliyeva, B. (2023). OPTYMALIZACJA OFERT REKLAMOWYCH POPRZEZ UKIERUNKOWANIE W OPARCIU O SAMOUCZĄCĄ SIĘ BAZĘ DANYCH. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(4), 66-72. https://doi.org/10.35784/iapgos.5376

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 4 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja