[論文レビュー] Display Advertising with Real-Time Bidding (RTB) and Behavioural Targeting

Jun Wang, Weinan Zhang+1 more|arXiv (Cornell University)|Oct 7, 2016

Consumer Market Behavior and Pricing被引用数 14

ひとこと要約

本論文は、表示広告におけるリアルタイム入札（RTB）について包括的な技術的概要を提供しており、行動ターゲティングと機械学習を統合して、ユーザー反応予測、入札市場の予測、動的価格設定を実現している。リアルタイム入札、不正検出、アトリビューションモデリングのスケーラブルなアルゴリズムを提示しており、クリックスルーレートおよびコンversionsレートの測定可能な向上を実現する、自動化されデータドリブンな広告最適化を可能にしている。

ABSTRACT

The most significant progress in recent years in online display advertising is what is known as the Real-Time Bidding (RTB) mechanism to buy and sell ads. RTB essentially facilitates buying an individual ad impression in real time while it is still being generated from a user's visit. RTB not only scales up the buying process by aggregating a large amount of available inventories across publishers but, most importantly, enables direct targeting of individual users. As such, RTB has fundamentally changed the landscape of digital marketing. Scientifically, the demand for automation, integration and optimisation in RTB also brings new research opportunities in information retrieval, data mining, machine learning and other related fields. In this monograph, an overview is given of the fundamental infrastructure, algorithms, and technical solutions of this new frontier of computational advertising. The covered topics include user response prediction, bid landscape forecasting, bidding algorithms, revenue optimisation, statistical arbitrage, dynamic pricing, and ad fraud detection.

研究の動機と目的

• リアルタイム表示広告における自動化、スケーラビリティ、データドリブンな最適化の増大するニーズに対応すること。
• RTBを動的でマルチエージェントの学習問題として定式化することで、情報抽出、データマイニング、機械学習分野における情報ギャップを埋めること。
• 行動データと予測モデリングを通じて、ユーザー単位のターゲティングと入札最適化を正確に実現すること。
• 統計的アービタージュ、動的価格設定、不正検出メカニズムを統合することで、広告の効果を向上させること。
• 計算広告および機械学習分野の研究者・実務家を対象に、統合的技術フレームワークを提供すること。

提案手法

• リアルタイムのユーザー反応予測に、ロジスティック回帰、因子分解機械、アンサンブル手法（例：勾配ブースティングツリー）を活用する。
• 入札市場の予測と当選確率の予測に、木ベースの対数正規分布モデル、右打ち切り線形回帰、生存モデルを適用する。
• 真実を述べる入札戦略と線形入札戦略を用い、クリックおよびコンversionsの予算制約付き最適化を実施する。
• マルチエージェント学習と後悔最小化を用いて、複数のキャンペーンにまたがる統計的アービタージュ抽出を導入する。
• Shapley値と確率的モデルを用いて、コンversionsパスのデータドリブンなアトリビューションを実施する。
• 共同訪問ネットワーク分析とビュアビリティ指標を活用して、不正広告の検出とキャンペーンの整合性向上を図る。

Figure 2.1: The various players of online display advertising and the ecosystem: 1. The advertiser creates campaigns in the market. 2. The market trades campaigns and impressions to balance the demand and supply for better efficiency. 3. The publisher registers impressions with the market. 4. The us

実験結果

リサーチクエスチョン

• RQ1 ストリーミング入札リクエストデータを用いて、リアルタイムでユーザー反応確率を正確に予測する方法は何か？
• RQ2 RTBオークションにおいて、予算制約を尊重しながらコンversionsやクリックを最大化する入札戦略は何か？
• RQ3 入札市場の予測が、第二価格オークションにおける入札意思決定をどのように改善し、過剰支払いを削減できるか？
• RQ4 転移学習は、ウェブ閲覧行動からクリック予測を向上させるために果たす役割は何か？
• RQ5 Shapley値や確率的フレームワークに基づくアトリビューションモデルは、キャンペーンパフォーマンスの測定をどのように改善できるか？

主な発見

• 勾配ブースティングツリーなどのアンサンブルモデルやハイブリッドモデルは、従来のロジスティック回帰を上回る性能を示し、ユーザーのクリック予測において優れた結果をもたらす。
• 真実を述べる入札は第二価格オークションにおいて優位戦略であるため、RTBにおける真実を述べる入札メカニズムの利用が正当化される。
• 生存モデルと右打ち切り線形回帰は、ベースライン手法に比べて精度の高い入札市場予測を実現する。
• 複数のキャンペーンにまたがる統計的アービタージュ抽出により、利益率の向上が測定可能な入札機会を同定できる。
• 共同訪問ネットワーク分析は、異常なユーザー訪問パターンを特定することで、ボットネット駆動の不正広告を効果的に検出できる。
• アンサンブル化されたロジスティック回帰に基づくデータドリブンなアトリビューションモデルは、コンバージョンパスの分析を向上させ、より良い予算配分を可能にする。

Figure 2.2: How RTB works for behavioural targeting. Source: [ Zhang et al., 2014b ] .