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.

Avila C. P., Vijaya M. S.. Click Through Rate Prediction for Display Advertisement. International Journal of Computer Applications 136(1), 2016, 18–24.

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].

Chapelle O.: Ofﬂine Evaluation of Response Prediction in Online Advertising Auctions. IW3C2, Florence, 2015, 943–944.

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.

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.

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.

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.

Richardson M., Dominowska E., Ragno R.: Predicting clicks: estimating the click-through rate for new ads. ACM, 2007, 521– 530.

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.

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.

OPTYMALIZACJA OFERT REKLAMOWYCH POPRZEZ UKIERUNKOWANIE W OPARCIU O SAMOUCZĄCĄ SIĘ BAZĘ DANYCH. (2023). 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