Advertising bidding optimization by targeting based on self-learning database

• Autorzy: Kvуetnyy, Roman , Bunyak, Yuriy , Sofina, Olga , Kaduk, Oleksandr , Mamyrbayev, Orken , Baklaiev, Vladyslav , Yeraliyeva, Bakhyt

Warianty tytułu

PL

Optymalizacja ofert reklamowych poprzez ukierunkowanie w oparciu o samouczącą się bazę danych

• Języki publikacji: EN

Abstrakty

EN

The method of targeting advertising on Internet sites based on a structured self-learning database is considered.The database accumulates data on previously accepted requests to display ads from a closed auction, data on participation in the auction and the results of displaying ads –the presence of a click and product installation.The base is structured by streams with features –site, place, price.Each such structural stream has statistical properties that are much simpler compared to the general ad impression stream, which makes it possible to predict the effectiveness of advertising.The selection of bidding requests only promising in terms of the result allows to reduce the cost of displaying advertising.

PL

Rozważono metodę ukierunkowywania reklam w serwisach internetowych w oparciu o ustrukturyzowaną samouczącą się bazę danych. Wbazie gromadzone są dane o wcześniej zaakceptowanych żądaniach wyświetlenia reklam z zamkniętej aukcji, dane o udziale w aukcji oraz o wynikach wyświetlania reklam –zarejestrowaniekliknięcia 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

PL

licytowanie reklam; ukierunkowywanie; reklama ukierunkowana; przewidywanie kliknięć

EN

advertising bidding; targeting; targeted advertising; click prediction

• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 4
• Strony: 66--72
• Opis fizyczny: Bibliogr. 17 poz., tab., wykr.

Twórcy

autor

Kvуetnyy, Roman

• Vinnytsia National Technical University, Vinnytsia, Ukraine,

autor

Bunyak, Yuriy

• Spilna Sprava Company, Vinnytsya, Ukraine,

autor

Sofina, Olga

• Vinnytsia National Technical University, Vinnytsia, Ukraine,

autor

Kaduk, Oleksandr

• Vinnytsia National Technical University, Vinnytsia, Ukraine,

autor

Mamyrbayev, Orken

• Institute of Informationand Computational Technologiesof the KazakhNational TechnicalUniversitynamedafterK. I.Satbayev, Almaty, Kazakhstan,

autor

Baklaiev, Vladyslav

• Taras Shevchenko National University of Kyiv, Kyiv, Ukraine,

autor

Yeraliyeva, Bakhyt

• M. Kh. DulatyTaraz Regional University, Taraz, Kazakhstan,

Bibliografia

• [1] Adikari S., Dutta K.: Real Time Bidding in Online Digital Advertisement. New Horizons in Design Science 9073, 2015, 19–38.
• [2] Avila C. P., Vijaya M. S.. Click Through Rate Prediction for Display Advertisement. International Journal of Computer Applications 136(1), 2016, 18–24.
• [3] 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].
• [4] Chapelle O.: Offline Evaluation of Response Prediction in Online Advertising Auctions. IW3C2, Florence, 2015, 943–944.
• [5] 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.
• [6] IAB 2014. OpenRTB API Specification Version 2.2. http://www.iab.net/media/file/
• [7] 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.
• [8] Juan Y., Zhuang Y., Chin W.-S., Lin C.-J.: Field-aware Factorization Machines for CTR Prediction. RecSys’16, Boston, 2016, 43–50.
• [9] 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.
• [10] 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.
• [11] Nigam K. L., Afferty J., McCallum A.: Using maximum entropy for text classification. IJCAI-99 1, 1999, 61–67.
• [12] 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.
• [13] Richardson M., Dominowska E., Ragno R.: Predicting clicks: estimating the click-through rate for new ads. ACM, 2007, 521– 530.
• [14] 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.
• [15] 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.
• [16] The Real-Time Bidding (RTB) Protocol specification, 2016 https://developers.google.com/ad-exchange/rtb
• [17] Zhang W., Yuan S., Wang J.: Optimal Real-Time Bidding for Display Advertising. KDD’14, New York, 2014, 1097–1105.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

Identyfikatory

DOI

10.35784/iapgos.5376