[논문 리뷰] Viral Marketing Meets Social Advertising: Ad Allocation with Minimum Regret

Çiğdem Aslay, Wei Lu외 3명|arXiv (Cornell University)|2014. 12. 03.

Optimization and Search Problems참고 문헌 8인용 수 9

한 줄 요약

이 논문은 플랫폼 호스트의 최소 위험을 달성하기 위해 사회적 광고에 바이러스적 확산 효과를 통합하는 새로운 광고 배정 프레임워크를 제안한다. 영향력 확산을 독립적 컨베이션 모델로 모델링하고, 예산 인지 위험 보장이 있는 확장 가능한 근사 알고리즘(Tirm)을 사용함으로써, 실제 네트워크에서 기준선 대비 효율성과 효과성 면에서 뚜렷한 우수성을 보인다.

ABSTRACT

In this paper, we study the problem of allocating ads to users through the viral-marketing lens. Advertisers approach the host with a budget in return for the marketing campaign service provided by the host. We show that allocation that takes into account the propensity of ads for viral propagation can achieve significantly better performance. However, uncontrolled virality could be undesirable for the host as it creates room for exploitation by the advertisers: hoping to tap uncontrolled virality, an advertiser might declare a lower budget for its marketing campaign, aiming at the same large outcome with a smaller cost. This creates a challenging trade-off: on the one hand, the host aims at leveraging virality and the network effect to improve advertising efficacy, while on the other hand the host wants to avoid giving away free service due to uncontrolled virality. We formalize this as the problem of ad allocation with minimum regret, which we show is NP-hard and inapproximable w.r.t. any factor. However, we devise an algorithm that provides approximation guarantees w.r.t. the total budget of all advertisers. We develop a scalable version of our approximation algorithm, which we extensively test on four real-world data sets, confirming that our algorithm delivers high quality solutions, is scalable, and significantly outperforms several natural baselines.

연구 동기 및 목표

• 광고가 사용자 상호작용을 통해 바이러스적으로 퍼질 수 있는 사회적 네트워크에서 광고 배정 문제를 해결하기 위해.
• 사용자 주의력 제약과 광고주 예산을 고려하면서도, 최적 성능와 실제 성능의 차이로 정의되는 호스트의 위험을 최소화하기 위해.
• 총 광고주 예산에 대해 이론적 근사 보장을 제공하는 확장 가능한 알고리즘을 설계하기 위해.
• 실제 사회적 네트워크에서 경쟁 조건 하에서 방법을 평가하여 자연 기준선 대비 우수성을 입증하기 위해.

제안 방법

• 각 사용자가 광고를 클릭할 경우 주제 및 사용자에 따라 특정 확률로 이웃을 영향력 있게 만들 수 있는 독립적 컨베이션(IC) 모델을 사용해 광고 확산을 모델링한다.
• 사용자 주의력 제한과 예산 제약을 고려하면서 바이러스적 영향력과의 균형을 맞추기 위해 호스트의 위험 최소화 목표를 도입한다.
• 역방향 도달 가능(RR) 집합 기반으로 설계된 확장 가능한 알고리즘인 Tirm을 제안하며, 영향력 확산을 효율적으로 추정하고 근사 보장을 제공한다.
• 각 광고주당 RR-집합 수를 제어하기 위해 예산 인지 샘플링 전략을 적용하여 안정성과 확장성 확보.
• 집합의 중심이 되는 시드 선택 과정을 그레디프로세스로 수행하며, 농도 불확실성 부등식에서 유도된 신뢰구간 기반 정지 조건을 적용.
• 총 예산 내에서 솔루션을 유지하면서 위험을 최소화하기 위해 임계값 기반 메커니즘을 적용.

실험 결과

연구 질문

• RQ1 사회적 네트워크에서 바이러스적 확산을 어떻게 활용하여 사회적 광고의 광고 배정 성능을 향상시킬 수 있는가?
• RQ2 영향력과 예산 제약을 고려할 때 광고 배정 문제의 계산 복잡도는 어떻게 되는가?
• RQ3 사용자 주의력 제약과 광고주 예산을 고려하면서도 이론적 위험 보장을 제공하는 확장 가능한 알고리즘을 설계할 수 있는가?
• RQ4 실제 네트워크에서 제안된 방법이 자연 기준선 대비 성능, 확장성, 메모리 사용 면에서 어떻게 비교되는가?

주요 결과

• Tirm는 Greedy-Irie 및 기타 기준선 대비 유의미하게 낮은 위험을 기록하며, 동일한 예산 하에서 영향력 확산 면에서 최대 6배 우수한 성능을 보였다.
• DBLP에서 광고 수가 1에서 15로 증가할 때 Tirm는 Greedy-Irie 대비 6배 빠르게 작동하여 뛰어난 확장성 입증.
• LiveJournal에서 Tirm는 예산 50K일 때 75분 이내에 완료되었고, Greedy-Irie는 5개 이상의 광고에 대해 48시간 내에 완료되지 못했다.
• Tirm의 실행 시간은 광고주 수에 거의 선형적으로 증가하지만, Greedy-Irie는 반복적인 시드 선택으로 인해 초선형적으로 증가한다.
• Tirm의 메모리 사용량은 RR-집합 저장으로 인해 광고주 수 증가에 따라 증가하지만, 다양한 예산에서 안정적이고 관리 가능한 수준을 유지한다.
• 낮은 주의력 제약 조건(κᵤ=1)에서도 높은 품질의 솔루션을 유지하여 경쟁 환경에서의 성능을 시험하는 데 성공했다.