مدل‌ سازي آماري كمپين‌ هاي تبليغاتي در سامانه‌هاي تبليغات آنلاين

Statistical Modeling of Ad Campaigns in Online Advertising Systems

در اين مقاله رويكرد جديدي در مدل‌سازي آماري سامانه‌هاي تبليغاتي آنلاين ارائه مي‌گردد. مدل ارائه شده بر اساس تخمين بيشترين قيمت پيشنهادي از سوي كمپين‌هاي تبليغاتي و نيز تخمين نرخ كليك كاربران توسعه مي‌يابد. چالش اساسي در تخمين متغيرهاي سامانه‌هاي تبليغاتي، رفتار به شدت تغييرپذير با زمان و غيرخطي كاربران، فضاي رقابتي كمپين‌هاي تبليغاتي و تنوع در استراتژي‌هاي مورد استفاده از سوي كمپين‌هاي مختلف در اين سامانه‌ها است. در چنين شرايطي استفاده از رويكردهاي تخمين مبتني بر فيلتركالمن به نتيجه مطلوب نمي‌انجامد. در اين مقاله با بهره‌گيري از رويكرد فيلتر ذره، توزيع احتمال و شاخص‌هاي آماري بيشترين قيمت پيشنهادي به صورت آنلاين تخمين زده مي‌شود. تبليغ‌كنندگان تنها در صورت برنده شدن در مزايده مربوط به هر تبليغ، از بيشترين قيمت پيشنهادي مطلع خواهند بود و در صورت باخت، بيشترين قيمت پيشنهادي در اختيار آن‌ها قرار نخواهد گرفت. لذا به روزرساني وزن‌ها در فيلتر ذره بر اساس قانوني دو ضابطه‌اي طراحي مي‌شود كه در شرايط برد يا باخت مزايده، به اصلاح توزيع پسين منجر مي‌شود. در ادامه توزيع احتمال كليك كاربران به كمك يك تخمين‌گر بيزي معرفي مي‌شود. از آن‌جا كه رفتار كاربران در مواجهه با تبليغ، تغييرپذيري قابل توجهي با زمان خواهد داشت، در تخمين بيزي مورد استفاده، ضابطه‌اي تطبيقي جهت اصلاح فاكتور فراموشي معرفي مي‌گردد كه ميزان اثرگذاري مشاهدات جديدتر را در صورت تغييرات ناگهاني در الگوهاي رفتاري كاربران به روزرساني نمايد. در پايان با دسترسي به تخمين بيشترين قيمت پيشنهادي و نرخ كليك كاربران، رابطه ورودي-خروجي كمپين‌ها به ازاي ورودي سيگنال قيمت پيشنهادي يا سيگنال كنترلي و خروجي تعداد نمايش‍هاي برنده شده توسط كمپين قابل استخراج خواهد بود. رويكرد پيشنهادي بر روي كمپيني با چهار دسته مجزا شبيه‌سازي و نتايج آن گزارش شده است. نتايج شبيه‌سازي‌ها نشان مي‌دهد رويكرد آماري پيشنهادي مدل مطلوبي از ورودي-خروجي كمپين تبليغاتي را توصيف مي‌نمايد.

In this paper, statistical modeling of online advertising systems is addressed. The proposed model relies on the highest bidding price estimation in an auction network and the click-through rate estimation of the ad campaign. The estimation problem is faced with serious challenges due to the extremely time-varying and nonlinear behavior of users, the competitive behavior of the ad campaigns, and the variety of strategies incorporated by the demand-side platforms. Accordingly, estimation algorithms based on Kalman filtering may fail to provide reliable solutions in a real-time setting. In this paper, particle filtering is utilized to estimate the probability distribution of the highest bidding price. Advertisers observe the highest bidding price only if they win the auction. Otherwise, they do not have access to the highest bidding price. Thus, a biconditional update rule is proposed for the particles. The weighting scheme modifies the posterior distribution in case of winning or losing the auction. Next, the click-through rate of the ad campaign is introduced based on the Bayesian estimation. Since the user response is extremely variable over time, an adaptation rule is proposed to update the forgetting factor and the level of emphasis on the recent observations. Finally, by estimation of the highest bidding price and the click-through rate distributions, the input-output model of the ad campaign is developed. The input is the bidding signal or the control signal and the output is the total number of winning impressions for the campaign. The results are reported for a campaign with four individual segments and confirm that the proposed statistical approach can provide a reliable model for ad campaigns.