Targeting optimization for internet advertising by learning from logged bandit feedback.

Abstract

Negli ultimi vent'anni la pubblicità online è diventata il modo più efficace per promuovere un prodotto o un evento. Il merito è soprattutto della capacità dei canali digitali di raggiungere un pubblico ampio e di parlare a gruppi di utenti diversi con annunci specifici. È un punto decisivo per i centri media, il cui obiettivo è costruire campagne che intercettino solo gli utenti davvero interessati al prodotto, evitando il costo degli annunci mostrati a chi non lo è.

In questo lavoro sviluppiamo un metodo automatico per individuare i target migliori (o contesti) da usare in una campagna online. Formuliamo l'ottimizzazione del target come un problema di Learning from Logged Bandit Feedback (LLBF) e proponiamo l'algoritmo TargOpt, che espande ad albero lo spazio dei target per apprendere la partizione che massimizza i ricavi della campagna.

Poiché trovare il target ottimo è un problema esponenziale nel numero di variabili, proponiamo anche un metodo di tree search, A-TargOpt, e due euristiche che ne guidano l'espansione per arrivare a una soluzione anytime. Infine mostriamo, su dati sintetici e reali, che i nostri algoritmi sono una soluzione praticabile per individuare target efficaci nella pubblicità online.