공부회 노트: 광고 기계 학습 최전선 (제54회 #TokyoWebmining )

광고 기계 학습 최전선



제 54 회 데이터 마이닝 + WEB @ 도쿄 (#TokyoWebmining 54th) - 심층 학습 · 기계 학습 축제 - 의 세션 「광고 기계 학습 최전선」의 메모입니다.
(나중에 자세히 살펴보도록 메모하고 있으므로 내용은 조금 어색해지고 있습니다)

Masa_s3의 발표 자료는 여기

개요



  • 입찰 논리의 이야기가 메인이됩니다.
  • CTR/CVR 예측 모델
  • 예산 소화 컨트롤러
  • 입찰 가격 결정 함수


  • 이번 발표는 Real Time Bid Optimization with Smooth Budget Delivery in Online Advertising
  • CTR/CVR 예측기 및 입찰 금액 조정이 DSP에 어떻게 통합되는지에 대한 프레임 워크를 제안합니다.




  • DSP의 내부 이야기



    광고 요청 처리


  • 추가 요청 받기
  • CTR 예측
  • 입찰 가격 결정 8 (pacing)
  • 입찰 (응답)

  • 데이터 구조


  • Advertiser
  • Campaign
  • Ad group


  • Campaign은 일일 예산 한도를 관리합니다.
  • Ad group은 입찰 가격을 관리합니다.

  • 광고(캠페인) 선택


  • 선택할 기준
  • 예측 CTR, 예측 CVR이 높습니까?
  • 예산 소화 상황은 어떨까?


  • 입찰 금액 결정


  • 입찰 금액
  • 예측 CTR, CVR, 소화 상황 및 CPA를 종합 평가하고 결정한다
  • 타사의 입찰에 지지 않게 해야 한다
  • 복잡한 로직을 사용하여 고정밀 계산을 원하지만 시간 제한 (50ms 또는 die)이 있습니다


  • CTR / CVR 예측 모델


  • 클릭 또는 전환 할 사용자를 예측합니다
  • 역사적으로 로지스틱 회귀 (및 그 파생)가 자주 사용됩니다
  • 보다 정밀한 예측을 한다면, Factorization Machines (FM) + Follow the regularized leader (FTRL) 등이 있다
  • FTRL 은 Ad Click Prediction: a View from the Trenches 의 논문이 상세

  • 특징 벡터의 차원
  • CTR 예측의 특징 벡터는 일반적으로 2 ^ 24 차원, 차원 감소하지 않으면 2 ^ 27 차원이므로 교호 작용을 고려하는 것은 어렵습니다.
  • FM이라면 그렇게 어렵지 않습니다


  • 예산 소화 컨트롤러


  • 광고주로서,
  • 가능한 한 싸게 '획득'하고 싶다
  • 가능한 한 매끄럽게 (각 시간대에 골고루) 전달하고 싶다

  • 소박한 배달 스무딩
  • 애드워즈 및 일반화된 온라인 매칭
  • 애드워즈 문제 (online matching) 문제로 부드럽게하기

  • 소개하는 로직
  • Smart Pacing for Effective Online Ad Campaign Optimization
  • 각 캠페인에 '레이어'라는 개념 정의
  • 레이어별 페이싱 속도 계산
  • 이 페이싱 레이트가 높을수록 나오기 쉬워진다

  • 요청 품질 (CVR 등)에 대해 "레이어"를 결정합니다


  • 입찰 가격 결정 함수



  • Bid Optimizing and Inventory Scoring in Targeted Online Advertising
  • 평균 예측 CTR보다 높은 요청에 대해 높은 입찰
  • 반대로 예측 CTR이 낮은 경우 입찰을 삼가
  • 0.8, 1.0, 1.2 같은 계수를 곱한다

  • CVR 향상에는 효과적이지만 CPA 최적화는 그다지 기대할 수 없습니다

  • 좋은 웹페이지 즐겨찾기