La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Search Engines and Web Advertising Antonio Panciatici ISTI-CNR.

Presentazioni simili


Presentazione sul tema: "Search Engines and Web Advertising Antonio Panciatici ISTI-CNR."— Transcript della presentazione:

1 Search Engines and Web Advertising Antonio Panciatici ISTI-CNR

2 The Advertising market Internet 2006: first half 2006 vs. first half 2005 (+18.9%)

3 The Advertising market

4 Tecniche di Advertising Flash Richiedono Flash Player Immagini GIFs animate, JPEGs Sponsored links Text Based Ads (Search-Based Advertising or Content-Targeted Advertising)

5 Our Focus Search-Based Advertising: ogni volta che lutente immette una query, il motore di ricerca mostra gli Ads più rilevanti nella pagina dei risultati Le keywords contenute nella query vengono confrontate con quelle selezionate dalladvertiser Content-Targeted Advertising: ogni volta che lutente visita una pagina di contenuto (trigger page), il motore di ricerca mostra gli Ads più rilevanti nella pagina stessa Il contenuto della pagina visitata viene confrontato con keywords selezionate dalladvertiser

6 Search-Based Advertising Advertisement Keyword Advertisements più rilevanti

7 Content-Targeted Advertising Ad

8 Key Points Punto di vista delladvertiser Quali keyword comprare (problema del matching) ? Quanto pagare (problema del pricing) ? Punto di vista del motore di ricerca Come suggerire buone keyword (problema del matching) ? Come far pagare le keyword (problema del pricing) ? Come mostrare gli advertisers più rilevanti (problema del ranking) ?

9 Key Points Se ladvertisement è rilevante il motore di ricerca guadagna, sia da un punto di vista economico sia dal punto di vista della credibilità Se ladvertisement è rilevante aumenta la probabilità che anche ladvertiser guadagni

10 Il problema del matching Il problema del matching varia in base al tipo di advertising che si adotta Search-based Advertising Content-targeted Advertising

11 Search-Based Advertising Advertisement = (Keywords, titolo, descrizione, URL) Query = (Search keywords, contesto) Il processo di matching è keyword- driven

12 Search-Based Advertising Advertisement Keyword Advertisements più rilevanti Titolo Descrizione URL

13 Content-Targeted Advertising Advertisement = (Keywords, titolo, descrizione, URL) Query = (Triggering page, contesto) Il processo di matching riguarda il contenuto di una pagina (molte keywords)

14 Search-Based Advertising Problema principale: poche informazioni (sostanzialmente solo le kewords) Ranking dipende anche da quanto hanno offerto gli advertisers

15 Content-Targeted Advertising Problema principale: gap semantico Linguaggi differenti (esempio bottiglia, bottle, contesti diversi) Sinonimi Matching approssimato ?

16 Algoritmi per il matching (Content- Targeted Advertising) Impedance Coupling in Content- tergeted Advertising (Berthier Ribero-Neto, Paulo B. Golpher, Marco Cristo, Edleno Silva de Moura)

17 Impedance Coupling in Content-targeted Advertising Due diversi insiemi di algoritmi matching diretto tra il contenuto della pagina (trigger page) il testo delladvertisement e le keywords associate matching tra il contenuto della pagina arricchita con nuove keywords. Approccio giustificato dal fatto che spesso I vocabolari della pagina e delladvertisement sono diversi (Vocabulary impedance)

18 Impedance Coupling in Content-targeted Advertising Advertisement composto da un titolo, una descrizione e un URL p trigger page A insieme di advertisements a i si vuole effettuare il ranking degli advertisements a i rispetto a p

19 Impedance Coupling in Content-targeted Advertising Vector Space Model Vettori dei pesi della query e del documento q = (w 1q,…,w iq,…,w nq ) d j = (w 1j,…,w ij,…,w nj ) w iq = peso associato al termine t i nella query q w ij = peso associato al termine t i nel documento d j I pesi sono calcolati utilizzando tf-idf (prodotto term frequency, inverse document frequency) (tf = importanza del termine nel documento, idf = rarity del termine nel documento)

20 Il ranking della query q rispetto al documento d j è il seguente (cosine similarity formula) Impedance Coupling in Content-targeted Advertising

21 Primo algoritmo (AD) Matching contenuto dell advertisement (titolo + descrizione) e il contenuto della trigger page AD(p, a i ) = sim(p, a i )

22 Impedance Coupling in Content-targeted Advertising Secondo algoritmo (KW) Matching keyword (può essere composta da più termini) associate alladvertisement e il contenuto della pagina p KW(p, a i ) = sim(p, k i )

23 Impedance Coupling in Content-targeted Advertising Terzo algoritmo (AD_KW) Molte volte le keyword scelte dalladvertiser sono presenti anche nelladvertisement. Si può usare questa informazione per migliorare AD. Matching delladvertisement e le sue keyword con il contenuto della pagina p AD_KW(p, a i ) = sim(p, a i k i )

24 Impedance Coupling in Content-targeted Advertising Quarto algoritmo ( ANDKW ) Molte volte le keyword scelte dalladvertiser non sono presenti nella pagina p anche se ladvertisement può avere un rank alto. Si può pensare che la presenza delle keyword nella pagina p fornisca un indicatore della rilevanza delladvertisement (le keyword danno una sintesi delladvertisement) Matching delladvertisement forzando la presenza delle keyword nella pagina p sim(p, a i ) se k i p ANDKW(p, a i ) = 0 altrimenti

25 Impedance Coupling in Content-targeted Advertising Quinto algoritmo (AD_ANDKW) Matching delladvertisement e delle sue keyword forzando la loro presenza nella pagina p sim(p, a i k i ) se k i p AD_ANDKW(p, a i ) = 0 altrimenti Algoritmo migliore tra tutti quelli visti fino ad ora

26 Impedance Coupling in Content-targeted Advertising Problemi La trigger page appartiene ad un contesto più ampio di quello relativo alladvertisement La correlazione tra ladvertisement e la trigger page può essere legato a topic che non compaiono esplicitamente nel contenuto della pagina

27 Impedance Coupling in Content-targeted Advertising Il primo problema è dovuto al fatto che il contenuto delle pagine può riguardare qualsiasi argomento. Ladvertisement è molto coinciso e mirato per sua natura Il secondo problema è dovuto al fatto che molte volte gli advertiser scelgono keyword generiche che non coincidono con i termini specifici contenuti nella pagina (vino, chianti)

28 Impedance Coupling in Content-targeted Advertising Algoritmi Impedance Coupling per ridurre i problemi esposti sopra Idea di base: aggiungere nuove parole (termini) più generali alla trigger page Per farlo analizza i vocabolari di documenti simili alla ricerca di termini generali che possano caratterizzare meglio il contenuto della pagina p

29 Impedance Coupling in Content-targeted Advertising Bayesian Network Model per determinare la probabilità che un termine t i sia un buon candidato a rappresentare il contenuto della pagina p

30 Impedance Coupling in Content-targeted Advertising P(T i | R) probalità che il termine t i sia un buon candidato a rappresentare il contenuto della pagina p R nodo nella Bayesian Network rappresentante la nuova pagina r (pagina p con nuovi termini) 0 1 ( = 0 R = p) constante di normalizzazione w ij peso associato al termine t i nel documento d j (d j documento simile a p) d 0 = p

31 Impedance Coupling in Content-targeted Advertising Si effettua il ranking dei termini t i in base alla loro bontà t top quello per cui vale max t P(T i | R) (quello con il rank più alto) Aggiunge alla pagina p (trasformandola nella pagina r) tutti i termini per cui P(T i | R) / P(T top | R) (in questo caso = 0.05)

32 Impedance Coupling in Content-targeted Advertising Sesto algoritmo (AAK_T) Matching delladvertisement e keywords solo rispetto al set e dei nuovi termini AAK_T(p, a i ) = AD_ANDKW (e, a i )

33 Impedance Coupling in Content-targeted Advertising Settimo algoritmo (AAK_EXP) Matching delladvertisement e keywords rispetto alla pagina estesa r (termini in p + termini in e) AAK_EXP(p, a i ) = AD_ANDKW (p e, a i )

34 Impedance Coupling in Content-targeted Advertising Ottavo algoritmo (H) Matching della landing page delladvertisement rispetto alla pagina p. Giustificato dal fatto che landing page (hyperlink della landing page h i ) delladvertiser descrive il target reale delladvertisement H(p, a i ) = sim (p, h i )

35 Impedance Coupling in Content-targeted Advertising Nono algoritmo ( AAK_H ) Combinazione di AD_ANDKW con H Matching delladvertisement, delle keyword, della landing page rispetto alla pagina p forzando la presenza delle keyword nella pagina p sim(p, a i h i k i ) se k i p AAK_H(p, a i ) = 0 altrimenti

36 Impedance Coupling in Content-targeted Advertising Decimo algoritmo ( AAK_EXP_H ) Combinazione di AD_EXP con H Matching delladvertisement, delle keyword, della landing page rispetto alla pagina p forzando la presenza delle keyword nella pagina p e sim(p e, a i h i k i ) se k i p e AAK_H(p, a i ) = 0 altrimenti

37 Impedance Coupling in Content-targeted Advertising AAK_EXP_H ottiene i risultati migliori (tra tutti gli algoritmi), abbastanza naturale dato che utilizza tutte le possibili fonti di informazioni

38 Performance Nel content-targeted advertising gli advertisements sono associati alle pagine quando le pagine vengono pubblicate Tutte le informazioni (landing pages, triggering page, etc..) sono ottenute tramite page crawling, link crawling, sono ottenibili off-line Gli advertisement che arrivano a run-time possono essere assegnati alle pagine già pubblicate in modo off-line Se ne deduce che il problema della performance non è critico

39 Algoritmi per Search-Based Advertising An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services (Paat Rusmevichientong, David P. Williamson)

40 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Il problema: dato un budget giornaliero e una probabilità di click-through non conosciuta, fornire un algoritmo in grado di selezionare le keyword da acquistare in modo da massimizzare il guadagno medio Punto di vista delladvertiser

41 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Supponendo di avere N keywords rappresentate dai numeri {1, 2, 3,…, N} Per ogni A {1, 2, 3,…, N}, sia Z A la variabile aleatoria (v.a) che indica il profitto che si ottiene se si seleziona linsieme di keyword da A Sia = (A 1, A 2,…) una politica, cioè una sequenza di v.a. A t indica linsieme di keyword che ladvertiser seleziona nel periodo t. A t può dipendere dalle osservazioni al tempo t-1 Per tutti i T 1 quello che si vuole trovare è una politica = (A 1, A 2,…) tale che sia massimo:

42 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Alcune osservazioni Il costo totale dipende dal numero di click Massimizzare il guadagno, dato un certo budget, richiede la conoscenza della probabilità di click- through delladvertisement associato ad una data keyword. La probabilità di click-through non è conosciuta (si può determinare osservando il comportamento delle keyword per un dato periodo, però può avere un costo notevole) La maggior parte degli algoritmi assume la conoscenza di una stima della probabilità di click-through

43 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Lapproccio seguito dagli autori è quello di trovare un trade-off tra le keyword selezionate basandosi sulle performance passate, e le keyword selezionate tra quelle mai usate

44 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Lalgoritmo parte dal caso in cui si conosce la probabilità di click-through e poi fornisce anche una tecnica che elimina questa restrizione Noi vedremo solo il caso in cui si conosce la probabilità di click-through, il modello che definiremo in realtà vale per entrambi i casi

45 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Modello: Spazio di probabilità (, F, P) N keyword {1, 2, 3,…, N} Per ogni t 1 sia S t una v.a rappresentante il numero totale di search query arrivate nel periodo t S 1, S 2, … sono indipendenti ed identicamente distribuite con media 1 < < Supponiamo di conoscere S t

46 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Modello (continua): In ogni periodo, le query arrivano in modo sequenziale ed ogni query può essere una delle N keyword {1, 2, 3,…, N} Per ogni t 1 e r 1 sia Q t r una v.a rappresentante la keyword associata alla query r arrivata nel periodo t Q t r sono indipendenti ed identicamente distribuite e P{ Q t r = i } = i con i {1, 2, 3,…, N} e i =1 Supponiamo di conoscere i

47 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Modello (continua): Il budget in ogni periodo è 1 (non si perde di generalità) p i probabilità di click-through per keyword i {1, 2, 3,…, N}, con 0 p i 1 c i (CPC) cost per click Supponiamo di conoscere c i rimane costante i guadagno per click con la keyword i Supponiamo di conoscere i rimane costante

48 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Modello (continua): A t indica linsieme di keyword che ladvertiser seleziona nel periodo t B r At budget rimanente al periodo t quando la query r viene immessa e ladvertiser ha scelto di selezionare le keywords in A t X t ri variabile aleatoria di Bernulli con parametro p i (probabilità di click-through) P{X t ri = 1} = p i Per ogni i con t 1 e r 1 vale che X t ri sono indipendenti ugualmente distribuite X t ri indipendenti dallarrivo delle query

49 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Dato il modello visto si ha che 1(.) funzione indicatrice i A t (ladvertiser effettua un offerta sulla keyword i allinizio del periodo t) Q t r = i (la query r-esima corrisponde alla keyword i) B r At c i (cè abbstanza budget per pagare il costo della keyword i se lutente va sulladvertisement) X t ri = 1 (lutente effettivamente va sulladvertisement)

50 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Supponendo di conoscere p i il problema diventa (static binding problem) Non è più dipendente dal tempo ! S numero di query B r A budget rimasto quando la query r-esima viene immessa e ladvertiser ha scelto di selezionare le keywords in A X ri variabile di Bernulli (indica se lutente va sulladvertisement relativo alla keyword i durante larrivo della query r-esima)

51 Così formulato, il problema è NP- completo (stochastic knapsack problem) se p i = 1 per ogni i il problema dello zaino standard Gli autori forniscono un algoritmo approssimato (trova soluzione near- optimal) sotto alcune ipotesi An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services

52 Ipotesi Le keyword sono ordinate in modo discendente secondo il rapporto profitto/costo 1 /c 1 2 /c 2 … N /c N i c i p i i > 1 ( i probabilità query che r-esima contenga la keyword i) si possono aggiungere keyword fittizie con = 0 in modo da ottenere questa disequazione Esistono k 1 e 0 < 1 tali che c i 1/k e i k per tutti gli i ( i = numero medio di query contenenti la keyword i)

53 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Le ipotesi sopra sono derivate da esperimenti su dati reali Teorema: siano k e definiti secondo le ipotesi, supponendo di conoscere p i e supponendo anche che 1/k + 1/k /k (1- )/3 1 si definisce Intuitivamente significa cercare il valore l tale che il costo delle prime {1,...,l} keyword ordinate secondo le ipotesi non ecceda il budget

54 An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services Se = E[min {S, }] / (misura quanto la distribuzione del numero delle query è vicina alla propria media) Se P = {1,2,…,I u } e Z* il profitto ottimo abbiamo

55 Il problema del Pricing (Search-based Advertising) Ogni keyword è un mercato nel quale gli advertisers competono per avere la posizione migliore Il mercato varia in base alle keywords Per ogni keyword competono molti advertisers, quali di questi devono essere visualizzati ? Il motore di ricerca utilizza uno schema di pagamento PPC (Pay per Click). Quanto devono pagare per ogni click ?

56 Il problema del Pricing (Search-based Advertising) Scenario Una keyword (un mercato) Un insieme di compratori (Advertisers) Un venditore (motore di ricerca) Ogni compratore ha una sua funzione di pay-off Come organizzare il pricing in modo che tutti siano soddisfatti ?

57 Game Theory Game Theory is a bag of analytical tools designed to help us understand the phenomena that observe when decision-makers interact. (Martin J. Osborne, Ariel Rubistain, A Course in Game Theory)

58 Game Theory Alcuni concetti importanti Gioco strategico Equilibrio di Nash Giochi legati al Web Advertising Aste generalizzate di secondo prezzo (GSP)

59 Game Theory Ipotesi I giocatori hanno un comportamento razionale e sfruttano le loro conoscenze su strategie e comportamenti (conosciuti) degli altri giocatori Non cè cooperazione tra giocatori (Giochi non cooperativi) Strategic Game: Ogni giocatore sceglie la sua strategia una volta per tutte, tutti i giocatori prendeno le loro decisioni simultaneamente (dal punto di vista del gioco). Quando un giocatore adotta una strategia non è informato della strategia adottata dagli avversari

60 Strategic Game (due giocatori) Due giocatori Il giocatore i-esimo adotta un insieme di strategie A i non vuoto, con a i A i strategia pura Il giocatore i-esimo è rappresentato da una funzione di pay-off u i : A -> R dove A = A 1 x A 2 Nota: u i dipende anche da ciò che fanno gli altri giocatori

61 Game Theory Chiameremo profilo il vettore a = (a 1, a 2 ) con a 1 A 1 e a 2 A 2 Diremo che una strategia a j è weakly-dominant per il giocatore i-esimo se u i (a j,*) u i (a k,*) per ogni a k A i indipendentemente da quale sia la strategia degli altri giocatori Diremo che una strategia a j è strongly- dominant per il giocatore i-esimo se u i (a j,*) > u i (a k,*) per ogni a k A i indipendentemente da quale sia la strategia degli altri giocatori

62 Equilibrio di Nash Un equilibrio di Nash in un gioco strategico con due giocatori, è un profilo a * = (a * 1, a * 2 ) tale che u 1 (a * 1, a * 2 ) u 1 (a i, a * 2 ) for all a i A 1 u 2 (a * 1, a * 2 ) u 2 (a * 1, a j ) for all a j A 2 Intuitivamanente: fissate le strategie degli altri giocatori, nessun giocatore è incentivato a cambiare la propria

63 Game Theory Esempi di giochi strategici con strategie pure Due giocatori Dilemma del Prigioniero, Back o Stravinsky, etc.. Aste Aste di secondo prezzo (Vickrey Auction) Generalized Second Price Auction (GSP) Vickrey (Aste legate al Web Advertising)

64 Il Dilemma del Prigioniero Due sospetti sono messi in due celle diverse Se confessano entrambi vengono condannati entrambi a tre anni Se uno solo di essi confessa, questo viene liberato e la sua testimonanzia viene utilizzata per condannare a quattro anni laltro Se nessuno dei due confessa vengono entrambi condannati ad un anno

65 Il Dilemma del Prigioniero Confessa Non confessaConfessa Non confessa ConfessaNon confessa Confessa Non confessa Esiste un solo equilibrio di Nash (Confessa, Confessa), non è lottimo Confessare è una strategia strongly-dominant Lottimo è (Non confessa, Non confessa) ma non è un equilibrio !

66 Nash Equilibrium Un equilibrio di Nash in un gioco strategico è un profilo a * in A di azioni con la proprietà che per ogni giocatore i N vale (a * -i, a * i ) i (a * -i, a i ) for all a i A i Dove Per ogni giocatore i N esiste una relazione di preferenza i definita su A = X j N A j a -i = (a j ) j N/i

67 Nash Equilibrium Per giochi strategici con un numero qualsiasi di partecipanti (N 2) può esistere un equilibrio di Nash, più di uno, o anche nessuno Equilibrio di Nash (generale) Se per ogni giocatore i linsieme A i è compatto e convesso, e I è continua e quasi concava allora il gioco strategico ha un equilibrio di Nash Ogni gioco strategico finito (se ogni A i finito) con strategie miste ha un equilibrio di Nash

68 Asta di primo prezzo Asta di primo prezzo Lo scopo è assegnare un oggetto ad uno tra N possibili compratori Ogni giocatore i ha una sua stima (privata) v i del valore delloggetto v i > 0 per ogni i Simultaneamente, ogni giocatore i fa un offerta b i privata (offerta strategia) Loggetto viene assegnato al giocatore che offre di più (se ce ne è più di uno, in modo random) Per avere loggetto, il vincitore paga la sua offerta Dire la verità non è una strategia dominante !

69 Asta di secondo prezzo Asta di secondo prezzo (Asta di Vickrey) Lo scopo è assegnare un oggetto ad uno tra N possibili compratori Ogni giocatore i ha una sua stima (privata) v i del valore delloggetto v i > 0 per ogni i Simultaneamente, ogni giocatore i fa un offerta b i privata (offerta strategia) Loggetto viene assegnato al giocatore che offre di più (se ce ne è più di uno, in modo random) Per avere loggetto, il vincitore paga la seconda offerta più alta

70 Per ogni giocatore i, offrire il massimo possibile (b i = v i ) è una strategia weakly-dominant. Infatti, posto r i = max(b j ) per ogni j i si ha 0 se b i r i u i = v i - r i se b i > r i Supponiamo b i > v i allora Se r i b i u i = 0 lo stesso guadagno ottenibile offrendo v i Se r i v i u i = v i - r i lo stesso guadagno ottenibile offrendo v i Se v i < r i < b i u i = v i - r i < 0 offrendo v i u i = 0 Asta di secondo prezzo

71 Per ogni giocatore i, offrire il massimo possibile (b i = v i ) è una strategia weakly-dominant. Infatti, posto r i = max(b j ) per ogni j i si ha 0 se b i r i u i = v i - r i se b i > r i Supponiamo b i < v i allora Se r i v i u i = 0 lo stesso guadagno ottenibile offrendo v i Se r i b i u i = v i - r i lo stesso guadagno ottenibile offrendo v i Se b i < r i < v i u i = 0 se il giocatore avesse offerto v i u i = v i - r i Asta di secondo prezzo

72 Esiste un equilibrio di Nash in cui tutti i giocatori offrono la loro stima del valore delloggetto

73 Asta generalizzata di secondo prezzo (GSP) Asta generalizzata di secondo prezzo (Vickrey) Lo scopo è assegnare simultaneamente 0 < M < N di oggetti tutti uguali ad un sottoinsieme degli N possibili compratori Ogni giocatore desidera un oggetto Ogni giocatore i ha una sua stima (privata) v i del valore delloggetto v i > 0 per ogni i Per il giocatore i, ogni oggetto ha lo stesso valore v i Simultaneamente, ogni giocatore i fa un offerta b i privata Gli M giocatori che hanno offerto di più si aggiudicano gli oggetti Il giocatore che ha offerto di più paga la seconda offerta più alta, il secondo la terza, e così via

74 Per ogni giocatore i, offrire il massimo possibile (b i = v i ) non è una strategia weakly-dominant. Infatti, date (r 1 > r 2 >….> r M ) le M offerte più alte 0 se b i r M u i = v i - r h se b i = r h-1 con h = {2,…,M} Supponiamo r M < b i = r M -1 < r 1 < v i allora u i = v i – r M Se il giocatore i-esimo avesse offerto b i allora u i = v i – r 1 < v i – r M offrire il massimo possibile (b i = v i ) non è una strategia dominante Asta generalizzata di secondo prezzo

75 GSP e Web Advertising Modello GSP applicato al Web Advertising Google, Yahoo utilizzano GSP Google adotta alcune modifiche che rendono lasta ancora più complicata (CTR i = expected click-through rate delladvertiser i-esimo) Yahoo (CTR non dipende dalladvertisement)

76 How to price keywords Advertisers preferiscono questo slot Click through rate 200 per ora Click through rate 150 per ora

77 GSP e Web Advertising (Yahoo) N slots nella pagina di ricerca K advertisers interessati ad una keyword c i numero medio di click per periodo per un advertiser nello slot i Ogni advertiser desidera un solo slot v k valore del click per ladvertiser k u k = c i v k – p ij guadagno advertiser k in posizione i (strategia del giocatore) Advertisers sono risk neutral (tendono a massimizzare u k )

78 GSP e Web Advertising Alcune considerazioni c i non dipende dalladvertiser, ma solo dalla posizione v k non dipedende dallo slot p ij dipende dagli altri advertisers

79 GSP e Web Advertising Pay-off del giocatore i-esimo nella posizione j-esima u i = c j (v i – b j+1 ) Il giocatore che ha acquistato lo slot N- esimo in teoria non paga (in realtà i motori di ricerca impongono un prezzo minimo)

80 GSP e Web Advertising Anche in questo caso dire il vero non è una strategia dominante Tre giocatori, con v rispettivamente uguale a 17, 12, 3 per click Due slots Click-through rates per la prima posizione 250, per la seconda 248 (quasi gli stessi) Se tutti I giocatori dicono il vero e offrono la loro stima del valore, il pay-off del giocatore che vince la prima posizione è: ( ) * 250 = 1250 Se solo il giocatore che ha vinto avesse offerto 11 (mentendo) avrebbe avuto un pay-off maggiore: (17 - 3) * 240 = 3360 > 1250

81 GSP e Web Advertising Nel caso reale di Google o Yahoo, lasta è ripetuta continuamente: le assunzioni sulla riservatezza di alcune informazioni (v, b) possono non essere più vere. I giocatori imparano (v, b) giocando Cambiano gli equilibri Minimo prezzo di entrata,…

82 GSP e Web Advertising Equilibri simmetrici: un dato advertiser non è interessato ad uno slot più in alto se deve pagare di più Equilibri asimmetrici: un dato advertiser può essere interessato ad uno slot più in alto anche se deve pagare di più Ci possono essere diversi equilibri di Nash (simmetrici, non simmetrici)

83 Il problema del ranking (Search-based Advertising) In che ordine visualizzare gli advertisments ? Yahoo ordina solo rispetto al prezzo pagato Google ordina rispetto al prezzo pagato ed ad un fattore legato alla rilevanza delladvertisement (CTR i ) Pagamento è sempre secondo il modello GSP

84 Il problema del ranking Yahoo (solo prezzo) apprezzato dagli advertisers per la trasparenza presenta qualche problema legato alla rilevanza dei risultati Chi ha pagato di più non è detto che sia quello più rilevante !

85 Il problema del ranking Google (prezzo e rilevanza) Forse meno apprezzato dagli advertisers (meno trasparenza) Aumenta la rilevanza dei risultati È in testa chi ha il miglior trade-off tra lofferta e la rilevanza !

86 Il problema del ranking (Google) R i = b i x CTR i dove CTR i = expected click-through rate delladvertiser i-esimo (misura rilevanza delladvertisement i-esimo) b i = pagamento delladvertiser i-esimo Gli advertisements sono ordinati secondo il loro R i

87 Alcuni problemi aperti Granularità del mercato Ferrari e Red Ferrari devono essere due mercati diversi ? Utilizzo di robots per effettuare il bidding Attualmente I motori di ricerca lo permettono Quali nuovi meccanismi (incentivi) introdurre ?

88 Alcuni problemi aperti Che modello di costo adottare se il numero di slot è variabile Cosa succede se il numero di slot a disposizione cambia ?

89 Bach o Stravinsky ? Due persone desiderano andare insieme ad un concerto di musica classica. Una preferisce Bach, laltra Stravinsky

90 Bach o Stravinsky ? Bach StravinskyBach Stravinsky BachStravinsky Bach Stravinsky Ci sono due equilibri di Nash (Bach, Bach), (Stravinsky, Stravinsky) Non ci sono strategie dominanti


Scaricare ppt "Search Engines and Web Advertising Antonio Panciatici ISTI-CNR."

Presentazioni simili


Annunci Google