مدل‌سازی آماری کمپین‌های تبلیغاتی در سامانه‌های تبلیغات آنلاین

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.

statistical modeling of ad campaigns in online advertising systems

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 clickthrough rate estimation of the ad campaign. the estimation problem is faced with serious challenges due to the extremely timevarying and nonlinear behavior of users, the competitive behavior of the ad campaigns, and the variety of strategies incorporated by the demandside platforms. accordingly, estimation algorithms based on kalman filtering may fail to provide reliable solutions in a realtime 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 clickthrough 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 clickthrough rate distributions, the inputoutput 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.