Ordenacao evolutiva de anuncios em publicidade computacional

Created by W.Langdon from gp-bibliography.bib Revision:1.7630

@PhdThesis{Bolelli-Broinizi:thesis,

• author = "Marcos Eduardo {Bolelli Broinizi}",
• title = "Ordenacao evolutiva de anuncios em publicidade computacional",
• title_en = "Evolutionary ad ranking for computational advertising",
• school = "Instituto de Matematica e Estatistica, Universidade de Sao Paulo, USP",
• year = "2015",
• address = "Sao Paulo, Brazil",
• month = aug,
• keywords = "genetic algorithms, genetic programming, computational advertising, contextual advertising, exploratory data analysis, learning to advertising, online advertising, principal component analysis",
• bibsource = "OAI-PMH server at www.teses.usp.br",
• contributor = "Joao Eduardo Ferreira",
• language = "pt",
• oai = "oai:teses.usp.br:tde-09112015-104805",
• rights = "Open access",
• URL = "http://www.teses.usp.br/teses/disponiveis/45/45134/tde-09112015-104805/",
• URL = "http://www.teses.usp.br/teses/disponiveis/45/45134/tde-09112015-104805/publico/def_mbroinizi.pdf",
• URL = "http://www.teses.usp.br/teses/disponiveis/45/45134/tde-09112015-104805/en.php",
• DOI = "doi:10.11606/T.45.2015.tde-09112015-104805",
• size = "121 pages",
• abstract = "Otimizar simultaneamente os interesses dos usu{\'a}rios, anunciantes e publicadores {\'e} um grande desafio na {\'a}rea de publicidade computacional. Mais precisamente, a ordena{\c c}{\~a}o de an{\'u}ncios, ou ad ranking, desempenha um papel central nesse desafio. Por outro lado, nem mesmo as melhores f{\'o}rmulas ou algoritmos de ordena{\c c}{\~a}o s{\~a}o capazes de manter seu status por um longo tempo em um ambiente que est{\'a} em constante mudan{\c c}a. Neste trabalho, apresentamos uma an{\'a}lise orientada a dados que mostra a import{\^a}ncia de combinar diferentes dimens{\~o}es de publicidade computacional por meio de uma abordagem evolutiva para ordena{\c c}{\~a}o de an{\'u}ncios afim de responder a mudan{\c c}as de forma mais eficaz. N{\'o}s avaliamos as dimens{\~o}es de valor comercial, desempenho hist{\'o}rico de cliques, interesses dos usu{\'a}rios e a similaridade textual entre o an{\'u}ncio e a p{\'a}gina. Nessa avalia{\c c}{\~a}o, n{\'o}s averiguamos o desempenho e a correla{\c c}{\~a}o das diferentes dimens{\~o}es. Como consequ{\^e}ncia, n{\'o}s desenvolvemos uma abordagem evolucion{\'a}ria para combinar essas dimens{\~o}es. Essa abordagem {\'e} composta por tr{\^e}s partes: um reposit{\'o}rio de configura{\c c}{\~o}es para facilitar a implanta{\c c}{\~a}o e avalia{\c c}{\~a}o de experimentos de ordena{\c c}{\~a}o; um componente evolucion{\'a}rio de avalia{\c c}{\~a}o orientado a dados; e um motor de programa{\c c}{\~a}o gen{\'e}tica para evoluir f{\'o}rmulas de ordena{\c c}{\~a}o de an{\'u}ncios. Nossa abordagem foi implementada com sucesso em um sistema real de publicidade computacional respons{\'a}vel por processar mais de quatorze bilh{\~o}es de requisi{\c c}{\~o}es de an{\'u}ncio por m{\^e}s. De acordo com nossos resultados, essas dimens{\~o}es se complementam e nenhuma delas deve ser neglicenciada. Al{\'e}m disso, n{\'o}s mostramos que a combina{\c c}{\~a}o evolucion{\'a}ria dessas dimens{\~o}es n{\~a}o s{\'o} {\'e} capaz de superar cada uma individualmente, como tamb{\'e}m conseguiu alcan{\c c}ar melhores resultados do que m{\'e}todos est{\'a}ticos de ordena{\c c}{\~a}o de an{\'u}ncios.",
• abstract = "Simultaneous optimisation of users, advertisers and publishers' interests has been a formidable challenge in online advertising. More concretely, ranking of advertising, or more simply ad ranking, has a central role in this challenge. However, even the best ranking formula or algorithm cannot withstand the ever-changing environment of online advertising for a long time. In this work, we present a data-driven analysis that shows the importance of combining different aspects of online advertising through an evolutionary approach for ad ranking in order to effectively respond to changes. We evaluated aspects ranging from bid values and previous click performance to user behaviour and interests, including the textual similarity between ad and page. In this evaluation, we assessed commercial performance along with the correlation between different aspects. Therefore, we proposed an evolutionary approach for combining these aspects. This approach was composed of three parts: a configuration repository to facilitate deployment and evaluation of ranking experiments; an evolutionary data-based evaluation component; and a genetic programming engine to evolve ad ranking formulae. Our approach was successfully implemented in a real online advertising system that processes more than fourteen billion ad requests per month. According to our results, these aspects complement each other and none of them should be neglected. Moreover, we showed that the evolutionary combination of these aspects not only outperformed each of them individually, but was also able to achieve better overall results than static ad ranking methods.",
• notes = "in Portuguese",

}

Genetic Programming entries for Marcos Eduardo Bolelli Broinizi

Citations