DSS2017 - Machine Learning w reklamie RTB
3 likes1,221 views
Prezentacja z Data Science Summit 2017 o wykorzystaniu metod uczenia maszynowego w reklamie RTB w firmie Adform. Prezentacja zawiera opis RTB oraz przykad modelowania optymalizacji CPC. Dodatkowo przedstawione s metody wykorzystywane dla zapewnienia odpowiednich restrykcji czasowych. Na koniec - trendy, linki, referencje.
![@btwardow
Sampling & The hashing
trick
Sampling
podejcie brute-force nie przejdzie
odpowiednie pr坦bkowanie jest rozwizaniem ( + korekta wyrazu wolnego)
zbiory przykad坦w neg/pos silnie niezbalansowane
The hashing trick
wszystkie cechy kodujemy do 2^N bitowej przestrzeni (w wikszoci N
<32 i tyle maksymalnie bdziemy mie wag)
szybkie obliczanie on-line (liczba cech x hash() x mno甜enie wag)
Inne warte uwagi: decision tree encoding [5], embedding [1, 2]](https://image.slidesharecdn.com/dss2017btwardowmlinrtb-170531090719/85/DSS2017-Machine-Learning-w-reklamie-RTB-16-320.jpg)
![@btwardow
Follow the regularized
leader (FTRL) [6]
online machine learning
przykadowy kod dla wersji FTRL-Proximal:
python: https://www.kaggle.com/jiweiliu/ftrl-
starter-code
go (concurrent, l1&l2): https://gist.github.com/
ceshine/f7f93046c58fe6ee840b](https://image.slidesharecdn.com/dss2017btwardowmlinrtb-170531090719/85/DSS2017-Machine-Learning-w-reklamie-RTB-17-320.jpg)
![@btwardow
ML w RTB
trendy i co warto obserwowa
wiele wsp坦lnego z systemami rekomendacji => modele
bazujce na faktoryzacji - FM/FFM [4] (to ju甜 ma par lat)
deep learning: embedding ( [1] Enno @Adform, [2] Meta-
Prod2Vec), maria甜 - wide& deep [3], users sessions
modeling [7]
Watch: https://github.com/wnzhang/rtb-papers
Inspiracje z konkurs坦w typu Kaggle (niestety w
wikszoci nie do zaaplikowania, np. bazujce na
odnalezionym przecieku)](https://image.slidesharecdn.com/dss2017btwardowmlinrtb-170531090719/85/DSS2017-Machine-Learning-w-reklamie-RTB-22-320.jpg)
![@btwardow
Reference
[1] Shioji, E. and Arai, M., 2017. Neural Feature Embedding for User Response Prediction in Real-Time Bidding
(RTB). arXiv preprint arXiv:1702.00855.
[2] Conneau, A., Smirnova, E., & Vasile, F. (2016). Meta-Prod2Vec - Product Embeddings Using Side-Information
for Recommendation. RecSys.
[3] Cheng, H.T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai,
W., Ispir, M. and Anil, R., 2016, September. Wide & deep learning for recommender systems. In Proceedings of
the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). ACM.
[4] Juan, Y., & Lin, C. (2016). Field-aware Factorization Machines for CTR Prediction. RecSys. http://doi.org/
10.1145/2959100.2959134
[5] He, X., Bowers, S., Candela, J. Q., Pan, J., Jin, O., Xu, T., Herbrich, R. (2014). Practical Lessons from
Predicting Clicks on Ads at Facebook. Proceedings of 20th ACM SIGKDD Conference on Knowledge Discovery
and Data Mining - ADKDD14, 19. http://doi.org/10.1145/2648584.2648589
[6] McMahan, H. B., Holt, G., Sculley, D., Young, M., Ebner, D., Grady, J., Kubica, J. (2013). Ad click
prediction: a view from the trenches. Proceedings of the 19th ACM SIGKDD International Conference on
Knowledge Discovery and Data Mining, 12221230. http://doi.org/10.1145/2487575.2488200
[7] Bartomiej Twardowski. 2016. Modelling Contextual Information in Session-Aware Recommender Systems
with Neural Networks.10th ACM Conference on Recommender Systems (RecSys '16). ACM, DOI: https://doi.org/
10.1145/2959100.2959162](https://image.slidesharecdn.com/dss2017btwardowmlinrtb-170531090719/85/DSS2017-Machine-Learning-w-reklamie-RTB-24-320.jpg)
![Programmatic 101 [PL]](https://cdn.slidesharecdn.com/ss_thumbnails/programmatic101-171127150147-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to DSS2017 - Machine Learning w reklamie RTB (20)
DSS2017 - Machine Learning w reklamie RTB
- 1. Machine Learning w reklamie RTB Bartomiej Twardowski
- 5. @btwardow Real-Time Bidding Yuan, Y., Wang, F., Li, J., & Qin, R. (2014). A survey on real time bidding advertising. Proceedings of 2014 IEEE International Conference on Service Operations and Logistics, and Informatics, SOLI 2014, 418423. http://doi.org/ 10.1109/SOLI.2014.6960761
- 6. @btwardow Cel Reklama bardziej relewantna i przynoszca wicej zysk坦w - bierzemy udzia w aukcji tylko wtedy kiedy wiemy, 甜e u甜ytkownik jest zainteresowany ofert Lepsze wykorzystanie rodk坦w reklamodawc坦w - ten sam bud甜et mo甜e przynie wicej konwersji Aby uzyska powy甜sze cele musimy wykorzysta algorytmy z predykcj oraz optymalizacj celu reklamodawcy
- 7. @btwardow CPM, CPC, CPL, - co to takiego? CPM - Cost Per Mile (1000) wywietle CPC - Cost Per Click CPL - Cost Per Lead (Acquisition, Conversion) Wszystkie aukcje wysane do AdX s w cenach CPM!
- 8. Modelowanie pod wybrane cele w RTB
- 9. @btwardow Jakie dane s wykorzystywane Dane Historyczne Bid Requests - informacje wysane przez SSP/AdX do DSP Wywietlenia reklamy Kliki Wywietlenia stron przez u甜ytkownika (Tracking Points) inne (zdarzenia js, crawling of鍖ine,) Utrzymywane online Cookie Pro鍖les - pro鍖le u甜ytkownika
- 10. @btwardow Informacje w Bid Request CookieId URL IP (a wic te甜. Country, City z bazy geolokalizacyjnej) IAB Category UA, Mobile App Id Slot Size (np. 180x150) Slot Position (np. above the fold) .
- 11. @btwardow Co jest Big Data? bid request wywietlenia kliki odwiedziny stron inne zdarzenia u甜ytkownika (widzialno, video, )
- 12. @btwardow Pro鍖le U甜ytkownika Otrzymane na podstawie dziaa u甜ytkownik坦w Przykadowe dane: odwiedzone domeny/TP kraj, urzdzenie, rozmiar ekranu w jakie reklamy ostatnio klika kategorie IAB dane z DMP + segmentacje oraz wiele innych G坦wne 添r坦do personalizacji przy aukcji online Z wzgld坦w prawnych mog nastpowa pewne ograniczenia w wykorzystywaniu danych
- 13. Przykad: CPC
- 14. @btwardow Model predykcji kliku p(Click|Imp) Wykorzystanie regresji logistycznej do predykcji atwa w zrozumieniu i ew. szukaniu bd坦w szybka metoda (mamy tylko par ms na obliczenia)
- 15. @btwardow >1M cech dla ka甜dej obserwacji wikszo to cechy typu one-hot encoded modelowanie interakcji, np: client x domena bardzo szybka predykcja online: cechy binarne + od鍖ltrowane do najistotniejszych (~50K) + mao aktywnych dla konkretnej aukcji regularyzacja L1 do 鍖ltrowania cech: pozwala na utrzymanie odpowiedniego poziomu ewaluacji czasu modelu Dlaczego regularyzacja L1?
- 16. @btwardow Sampling & The hashing trick Sampling podejcie brute-force nie przejdzie odpowiednie pr坦bkowanie jest rozwizaniem ( + korekta wyrazu wolnego) zbiory przykad坦w neg/pos silnie niezbalansowane The hashing trick wszystkie cechy kodujemy do 2^N bitowej przestrzeni (w wikszoci N <32 i tyle maksymalnie bdziemy mie wag) szybkie obliczanie on-line (liczba cech x hash() x mno甜enie wag) Inne warte uwagi: decision tree encoding [5], embedding [1, 2]
- 17. @btwardow Follow the regularized leader (FTRL) [6] online machine learning przykadowy kod dla wersji FTRL-Proximal: python: https://www.kaggle.com/jiweiliu/ftrl- starter-code go (concurrent, l1&l2): https://gist.github.com/ ceshine/f7f93046c58fe6ee840b
- 18. @btwardow Przykad obliczenia prawdopodobiestwa kliku Otrzymujemy zapytanie: Cookie 3000657545365 is at www.gazeta.pl Jakie jest prawdopodobiestwo kliku reklamy iPhone 7? Wpyw cechy (+ - pozytywny, - - negatywny) URL: www.gazeta.pl (+) Position 1 visible without scrolling (+) Banner size 930x180 (+) Screen size 1920x1080 (+) Cookie has visited these domains: apple.com(+) macrumors.com(+) plotek.pl (+) t-mobile.com(+) samsung.com(-) Bierzemy pod uwag wszystkie cechy dla kt坦rych mamy niezerowe wagi w modeli i obliczamy prawdopodobiestwo.
- 19. @btwardow Cena aukcji - CPM Reklamodawca podaj cen docelow (lub maksymaln) CPC dla kampanii Model predykcji kliku umo甜liwia przejcie z ceny CPC do CPM dla pojedynczej aukcji Sprawdzenie czy model jest poprawnie skalibrowany: samo patrzenie na AUC/RIG nie wystarczy bidpriceCP M = p(click) targetCP C CPCeffective = P win price total clicks P bid price P p(click) = targetCP C
- 20. @btwardow Inne przykady optymalizacji Inne cele: CPL, NBC, CPE, Np. dla CPL w wersji gdzie konwersja nastpuje po kliku budujemy 2 modele: dla p(click|impr) oraz p(lead|click)
- 21. @btwardow ML w innych aspektach DSP: Forecasting, Bid Landscape, Bidding Strategy Optimizations, traf鍖c 鍖ltering, fraud & anomaly detection DMP: look-a-like algorithms SSP side <> DSP
- 22. @btwardow ML w RTB trendy i co warto obserwowa wiele wsp坦lnego z systemami rekomendacji => modele bazujce na faktoryzacji - FM/FFM [4] (to ju甜 ma par lat) deep learning: embedding ( [1] Enno @Adform, [2] Meta- Prod2Vec), maria甜 - wide& deep [3], users sessions modeling [7] Watch: https://github.com/wnzhang/rtb-papers Inspiracje z konkurs坦w typu Kaggle (niestety w wikszoci nie do zaaplikowania, np. bazujce na odnalezionym przecieku)
- 23. Bartomiej Twardowski @btwardow Dzikuj za uwag. http://site.adform.com/company/about/
- 24. @btwardow Reference [1] Shioji, E. and Arai, M., 2017. Neural Feature Embedding for User Response Prediction in Real-Time Bidding (RTB). arXiv preprint arXiv:1702.00855. [2] Conneau, A., Smirnova, E., & Vasile, F. (2016). Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation. RecSys. [3] Cheng, H.T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai, W., Ispir, M. and Anil, R., 2016, September. Wide & deep learning for recommender systems. In Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (pp. 7-10). ACM. [4] Juan, Y., & Lin, C. (2016). Field-aware Factorization Machines for CTR Prediction. RecSys. http://doi.org/ 10.1145/2959100.2959134 [5] He, X., Bowers, S., Candela, J. Q., Pan, J., Jin, O., Xu, T., Herbrich, R. (2014). Practical Lessons from Predicting Clicks on Ads at Facebook. Proceedings of 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining - ADKDD14, 19. http://doi.org/10.1145/2648584.2648589 [6] McMahan, H. B., Holt, G., Sculley, D., Young, M., Ebner, D., Grady, J., Kubica, J. (2013). Ad click prediction: a view from the trenches. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 12221230. http://doi.org/10.1145/2487575.2488200 [7] Bartomiej Twardowski. 2016. Modelling Contextual Information in Session-Aware Recommender Systems with Neural Networks.10th ACM Conference on Recommender Systems (RecSys '16). ACM, DOI: https://doi.org/ 10.1145/2959100.2959162