Ordenacao evolutiva de anuncios em publicidade computacional

Created by W.Langdon from gp-bibliography.bib Revision:1.3973

@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