Méthodes d'optimisation de la prospection client dans l'affichage publicitaire automatisé par enchères en temps réel

Methods for optimizing customer prospecting in automated display advertising with Real-Time Bidding

• Auteur / Autrice : Yang Qiu
• Direction : Michalis Vazirgiannis, Nikolaos Tziortziotis
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/10/2021
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : établissement opérateur d'inscription : École polytechnique (Palaiseau, Essonne ; 1795-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'École polytechnique (Palaiseau, Essonne)
• Jury : Président / Présidente : Jean-Marc Steyaert
• Jury : Examinateurs / Examinatrices : Michalis Vazirgiannis, Nikolaos Tziortziotis, Nikos Paragios, Dimitrios Gunopulos, Oana Balalau, Themis Palpanas, Ioannis Tsamardinos
• Jury : Rapporteurs / Rapporteuses : Nikos Paragios, Dimitrios Gunopulos

Mots clés

Mots clés contrôlés

Publicité sur Internet

Web

Réseaux neuronaux (informatique)

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Enchères en temps réel

Plongement d’URL

Prédiction de conversion

Extension d’audience

Réseau de neurones artificiels

Machine learning

Real-Time bidding

URL embedding

Conversion prediction

Audience expansion

Neural networks

Résumé

L'affichage publicitaire en ligne est devenu de plus en plus populaire ces dernières années grâce à l'automatisation du processus d'achat des inventaires. Spécifiquement, les enchères en temps réel (Real-time bidding en anglais, ou RTB) permettent l'échange automatisé d'impressions publicitaires entre les annonceurs et les éditeurs via des enchères en temps réel, au niveau de l'utilisateur. L'objectif principal des campagnes RTB est d'aider les annonceurs à cibler la bonne personne, dans le bon contexte, avec la bonne publicité et au bon moment. Par conséquent, l'identification précise de la `valeur' d'un utilisateur pour l'annonceur est très importante. Dans ce contexte, nous examinons deux problèmes complexes de l'affichage publicitaire: la prédiction de conversion et l'extension d'audience. Dans les deux tâches, nous considérons uniquement l'historique de navigation de l'utilisateur comme caractéristiques, collectées à partir de données réelles.Nous examinons d'abord le problème de la prédiction de conversion, où notre objectif est de prédire si un utilisateur se convertira (c'est-à-dire, s'il visitera le site web de l'annonceur, s'il achètera son produit, etc.) ou non vers un annonceur donné. Inspirés par le traitement du langage naturel, nous introduisons trois modèles auto-supervisés de plongement d'URL afin de produire des représentations d'URL sémantiquement significatives. Ensuite, nous avons examiné trois différentes fonctions de projection pour représenter les utilisateurs qui prennent en entrée les représentations d'URL déjà apprises. Enfin, après avoir calculé les représentations des utilisateurs, nous utilisons le modèle de régression logistique pour prédire les probabilités de conversion.Nous étudions ensuite la tâche de l'extension d'audience dont l'objectif est d'aider les annonceurs à découvrir des audiences présentant des attributs similaires à un public cible (seed users) intéressé par les produits ou services des annonceurs. Dans cette direction, nous proposons différents schémas de l'extension d'audience basés sur la similarité (similarity-based), se concentrant sur l'apprentissage de plongement d'utilisateur de haute qualité de manière auto-supervisée. Les schémas proposés sont capables d'identifier les utilisateurs ayant des intérêts de navigation similaires à ceux des utilisateurs de référence fournis par l'annonceur.

Online display advertising has become more and more popular in recent years thanks to the automation of the ad buying process. Specifically, Real-Time Bidding (RTB) allows the automated trading of ad impressions between advertisers and publishers through real-time auctions, at a per-user level. The primary goal of RTB campaigns is to help advertisers target the right person, in the right context, with the right ad, and at the right time. Therefore, the accurate identification of the `value' of a user for the advertiser is of high importance. Under this context, we examine two challenging display advertising problems: the conversion prediction and the audience expansion. In both tasks, we consider only the user's browsing history as features, collected from real logged data.We first examine the conversion prediction problem, where our objective is to predict whether a user will convert (visit the website, buy a product, etc.) or not to a given advertiser. Inspired by natural language processing, we introduce three self-supervised URL embedding models in order to compute semantically meaningful URL representations. Then, we have examined three different mapping functions to represent users that take as input the already learned URL representations. Finally, having computed users' representations, we are using the standard logistic regression model to predict conversion probabilities.We then investigate the audience expansion task, whose goal is to help advertisers discover audiences with similar attributes to a target audience interested in advertisers’ products or services. In this direction, we propose different (similarity-based) audience expansion schemes focusing on the learning of a high-quality user embedding in a self-supervised way. The proposed schemes are able to identify users with similar browsing interests to those of the seed users provided by the advertiser.