[논문 리뷰] Display Advertising with Real-Time Bidding (RTB) and Behavioural Targeting

Jun Wang, Weinan Zhang외 1명|arXiv (Cornell University)|2016. 10. 07.

Consumer Market Behavior and Pricing인용 수 14

한 줄 요약

이 독립연구보고서는 전면 광고에서 실시간 입찰(RTB)에 대한 종합적인 기술적 개요를 제공하며, 사용자 반응 예측, 입찰 환경 예측, 동적 가격 설정에 대한 행동 타겟팅과 기계학습을 통합한다. 실시간 입찰을 위한 확장 가능한 알고리즘, 위조 광고 탐지, 할당 모델링 기법을 제시하여 클릭률 및 전환율 향상에 기여하는 데이터 기반 자동 광고 최적화를 가능하게 한다.

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.

연구 동기 및 목표

• 실시간 전면 광고에서 자동화, 확장성, 데이터 기반 최적화의 증가하는 수요를 해결하기 위해.
• RTB를 동적 다중 에이전트 학습 문제로 재구성함으로써 정보 검색, 데이터 마이닝, 기계학습 분야의 정보 격차를 메우기 위해.
• 행동 데이터와 예측 모델링을 통해 정밀한 사용자 수준의 타겟팅과 입찰 최적화를 가능하게 하기 위해.
• 통계적 아웃리어지, 동적 가격 설정, 위조 광고 탐지 메커니즘 통합을 통해 광고 효과를 향상시키기 위해.
• 계산 광고 및 기계학습 분야의 연구자와 전문가를 위한 통합된 기술적 프레임워크를 제공하기 위해.

제안 방법

• 실시간 사용자 반응 예측을 위해 로지스틱 회귀, 인수분해 기반 기계, 앙상블 방법(예: 기울기 부스팅 트리)을 활용한다.
• 입찰 환경 예측 및 승리 확률 예측을 위해 트리 기반 로그정규 모델, 캔서드 선형 회귀, 생존 모델을 적용한다.
• 진실성 있는 입찰 및 선형 입찰 전략을 사용하며, 클릭 및 전환에 대한 예산 제약 최적화를 수행한다.
• 다중 에이전트 학습과 손실 최소화 기법을 활용해 다수 캠프에 걸친 통계적 아웃리어지 채굴을 도입한다.
• Shapley 값과 확률적 모델을 적용해 전환 경로에 대한 데이터 기반 할당을 수행한다.
• 공동 방문 네트워크 분석 및 시각화 가능도 지표를 활용해 광고 위조를 탐지하고 캠페인의 무결성을 향상시킨다.

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

실험 결과

연구 질문

• RQ1 스트리밍 입찰 요청 데이터를 활용해 실시간으로 사용자 반응 확률을 정확히 예측하는 방법은 무엇인가?
• RQ2 예산 제약을 고려할 때 RTB 경매에서 전환 수를 최대화하거나 클릭 수를 극대화하는 입찰 전략은 무엇인가?
• RQ3 입찰 환경 예측은 제2가격 입찰에서 입찰 결정을 향상시키고 과잉 지불을 줄이는 데 어떤 역할을 하는가?
• RQ4 이동 학습은 웹 브라우징 행동에서 클릭 예측을 향상시키는 데 어떤 역할을 하는가?
• RQ5 Shapley 값 또는 확률적 프레임워크 기반 할당 모델은 캠페인 성과 측정을 어떻게 향상시킬 수 있는가?

주요 결과

• 기울기 부스팅 트리 및 하이브리드 모델과 같은 앙상블 모델이 전통적인 로지스틱 회귀보다 사용자 클릭 예측에서 뛰어난 성능을 보인다.
• 진실성 있는 입찰은 제2가격 입찰에서 우월한 전략이며, 이는 RTB에서 진실성 있는 입찰 메커니즘의 사용을 정당화한다.
• 생존 모델과 캔서드 선형 회귀는 기존 방법보다 더 정확한 예측을 제공하는 강력한 입찰 환경 예측을 가능하게 한다.
• 캠페인 간 통계적 아웃리어지 채굴은 측정 가능한 ROI 향상으로 이어지는 수익성 있는 입찰 기회를 식별할 수 있다.
• 공동 방문 네트워크 분석은 비정상적인 사용자 방문 패턴을 식별함으로써 봇넷 기반의 위조 광고를 효과적으로 탐지한다.
• 백드 로지스틱 회귀 기반 데이터 기반 할당 모델은 전환 경로 분석을 향상시키고 더 나은 예산 배분을 지원한다.

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