دوره 16، شماره 2 - ( مجله کنترل، جلد 16، شماره 2، تابستان 1401 )
جلد 16 شماره 2,1401 صفحات 87-69 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Divsalar M, Babazadeh M, Nobakhti A. Statistical Modeling of Ad Campaigns in Online Advertising Systems. JoC 2022; 16 (2) :69-87
URL: http://joc.kntu.ac.ir/article-1-893-fa.html
URL: http://joc.kntu.ac.ir/article-1-893-fa.html
دیوسالار محمدرضا، بابازاده مریم، نوبختی امین. مدل‌سازی آماری کمپین‌های تبلیغاتی در سامانه‌های تبلیغات آنلاین. مجله کنترل. 1401; 16 (2) :69-87
محمدرضا دیوسالار1 
، مریم بابازاده* 1، امین نوبختی1
، مریم بابازاده* 1، امین نوبختی1
1- دانشکده مهندسی برق، گروه کنترل، دانشگاه صنعتی شریف، تهران، ایران
چکیده: (2579 مشاهده)
در این مقاله رویکرد جدیدی در مدل‌سازی آماری سامانه‌های تبلیغاتی آنلاین ارائه می‌گردد. مدل ارائه شده بر اساس تخمین بیشترین قیمت پیشنهادی از سوی کمپین‌های تبلیغاتی و نیز تخمین نرخ کلیک کاربران توسعه می‌یابد. چالش اساسی در تخمین متغیرهای سامانه‌های تبلیغاتی، رفتار به شدت تغییرپذیر با زمان و غیرخطی کاربران، فضای رقابتی کمپین‌های تبلیغاتی و تنوع در استراتژی‌های مورد استفاده از سوی کمپین‌های مختلف در این سامانه‌ها است. در چنین شرایطی استفاده از رویکردهای تخمین مبتنی بر فیلترکالمن به نتیجه مطلوب نمی‌انجامد. در این مقاله با بهره‌گیری از رویکرد فیلتر ذره، توزیع احتمال و شاخص‌های آماری بیشترین قیمت پیشنهادی به صورت آنلاین تخمین زده می‌شود. تبلیغ‌کنندگان تنها در صورت برنده شدن در مزایده مربوط به هر تبلیغ، از بیشترین قیمت پیشنهادی مطلع خواهند بود و در صورت باخت، بیشترین قیمت پیشنهادی در اختیار آن‌ها قرار نخواهد گرفت. لذا به روزرسانی وزن‌ها در فیلتر ذره بر اساس قانونی دو ضابطه‌ای طراحی می‌شود که در شرایط برد یا باخت مزایده، به اصلاح توزیع پسین منجر می‌شود. در ادامه توزیع احتمال کلیک کاربران به کمک یک تخمین‌گر بیزی معرفی می‌شود. از آن‌جا که رفتار کاربران در مواجهه با تبلیغ، تغییرپذیری قابل توجهی با زمان خواهد داشت، در تخمین بیزی مورد استفاده، ضابطه‌ای تطبیقی جهت اصلاح فاکتور فراموشی معرفی می‌گردد که میزان اثرگذاری مشاهدات جدیدتر را در صورت تغییرات ناگهانی در الگوهای رفتاری کاربران به روزرسانی نماید. در پایان با دسترسی به تخمین بیشترین قیمت پیشنهادی و نرخ کلیک کاربران، رابطه ورودی-خروجی کمپین‌ها به ازای ورودی سیگنال قیمت پیشنهادی یا سیگنال کنترلی و خروجی تعداد نمایش‍های برنده شده توسط کمپین قابل استخراج خواهد بود. رویکرد پیشنهادی بر روی کمپینی با چهار دسته مجزا شبیه‌سازی و نتایج آن گزارش شده است. نتایج شبیه‌سازی‌ها نشان می‌دهد رویکرد آماری پیشنهادی مدل مطلوبی از ورودی-خروجی کمپین تبلیغاتی را توصیف می‌نماید.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1400/5/28 | پذیرش: 1400/12/19 | انتشار الکترونیک پیش از انتشار نهایی: 1401/1/24
دریافت: 1400/5/28 | پذیرش: 1400/12/19 | انتشار الکترونیک پیش از انتشار نهایی: 1401/1/24
فهرست منابع
1. [1] S. Yuan, J. Wang, X. Zhao, "Real-time Bidding for Online Advertising: Measurement and Analysis," in Proceedings of the Seventh International Workshop on Data Mining for Online Advertising, 2013. [DOI:10.1145/2501040.2501980]
2. [2] K Ren, W Zhang, Y Rong, H Zhang, Y Yu, J. Wang, "User response learning for directly optimizing campaign performance in display advertising," Proceedings of the 25th ACM International on Conference on Information and Knowledge Management, p. 679-688, 2016. [DOI:10.1145/2983323.2983347]
3. [3] J. Xu, X. Shao, J. Ma, K. Lee, H. Qi, Q. Lu, "Lift-based bidding in ad selection," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 30, no. 1, 2016. [DOI:10.1609/aaai.v30i1.10025]
4. [4] N. Karlsson and J. Zhang,, "Applications of feedback control in online advertising," in American Control Conference, 2013. [DOI:10.1109/ACC.2013.6580779]
5. [5] J. Gittins, K. Glazebrook, and R. Weber, Multi-armed bandit allocation indices, John Wiley & Sons, 2011. [DOI:10.1002/9780470980033]
6. [6] N Karlsson, "Control problems in online advertising and benefits of randomized bidding strategies," European Journal of Control, vol 6, pp. 31-49, 2016. [DOI:10.1016/j.ejcon.2016.04.007]
7. [7] J. Guo, N. Karlsson, , "Model Reference Adaptive Control of Advertising Systems," American Control Conference, 2017. [DOI:10.23919/ACC.2017.7963807]
8. [8] Q. Sang, N. Karlsson, J. Guo,, "Feedback Control of Event Rate in Online Advertising Campaigns," Control Engineering Practice, vol 75, p. 126-136, 2018. [DOI:10.1016/j.conengprac.2018.03.010]
9. [9] N. Karlsson, "Adaptive estimation of small event rates," in 55th Conference on Decision and Control (CDC), 2016. [DOI:10.1109/CDC.2016.7798831]
10. [10] W. Zhang, Y. Rong, J. Wang, T. Zhu, X. Wang, "Feedback Control of Real-Time Display Advertising," in ACM International Conference on Web Search and Data Mining, 2016. [DOI:10.1145/2835776.2835843]
11. [11] X. Yang, Y. Li, H. Wang, D. Wu, Q. Tan, J. Xu, K. Gai, "Bid Optimization by Multivariable Control in Display Advertising," in ACM International Conference on Knowledge Discovery & Data Mining, 2019. [DOI:10.1145/3292500.3330681]
12. [12] N. Karlsson, "Feedback Control in Programmatic Advertising: The Frontier of Optimization in Real-Time Bidding," IEEE Control Systems Magazine, vol 40, no 5, pp. 40-77, 2020. [DOI:10.1109/MCS.2020.3005013]
13. [13] Z. Pooranian, M. Conti, H. Haddadi, R. Tafazolli, "Online Advertising Security: Issues, Taxonomy, and Future Directions," IEEE Communications Surveys & Tutorials, vol 23, no 4, pp. 2494-2524, 2021. [DOI:10.1109/COMST.2021.3118271]
14. [14] R. Myerson, "Optimal auction design," Mathematics of operations research, vol. 6, no. 1, pp. 58-73, 1981. [DOI:10.1287/moor.6.1.58]
15. [15] N. Karlsson and Q. Sang, "Adaptive Bid Shading Optimization of First-Price Ad Inventory," در American Control Conference, 2021. [DOI:10.23919/ACC50511.2021.9482665]
16. [16] T. Zhou, H. He, S. Pan, N. Karlsson, B. Shetty, B. Kitts, "Zhou, T., He, H., Pan, S., Karlsson, N., Shetty, B., Kitts, B., ... & Flores, A. (2021, August). An Efficient Deep Distribution Network for Bid Shading in First-Price Auctions.," in In Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data, 2021. [DOI:10.1145/3447548.3467167]
17. [17] N. Karlsson, "Plant gain estimation in online advertising processes," in IEEE 56th Annual Conference on Decision and Control (CDC), 2017. [DOI:10.1109/CDC.2017.8263968]
18. [18] V. Mardanlou, N. Karlsson, J. Guo, "Statistical Plant Modeling and Simulation in Online Advertising," in American Control Conference, 2017. [DOI:10.23919/ACC.2017.7963275]
19. [19] J. Jin, C. Song, H. Li, K. Gai, J. Wang, W. Zhang, "Real-Time Bidding with Multi-Agent Reinforcement Learning in Display Advertising," in ACM International Conference on Information and Knowledge Management, 2018. [DOI:10.1145/3269206.3272021]
20. [20] X. Zhao, C. Gu, H. Zhang, X. Yang, X. Liu, H. Liu, J. Tang, "DEAR: Deep Reinforcement Learning for Online Advertising Impression," in AAAI Conference on Artificial Intelligence, 2020. [DOI:10.1609/aaai.v35i1.16156]
21. [21] M. Bompaire, A. Gilotte, B. Heymann, "Causal models for real time bidding with repeated user interactions," in Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, 2021. [DOI:10.1145/3447548.3467280]
22. [22] S. Sluis, "Everything you need to know about bid shading," https://www.adexchanger.com/, 2019.
23. [23] N. Karlsson, "Adaptive control using heisenberg bidding," in American Control Conference, 2014. [DOI:10.1109/ACC.2014.6859107]
24. [24] J. Candy, Bayesian signal processing: classical, modern, and particle filtering methods, John Wiley & Sons, 2016. [DOI:10.1002/9781119125495]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
