search engines and web advertising antonio panciatici isti-cnr
Post on 02-May-2015
225 Views
Preview:
TRANSCRIPT
Search Engines and Web Advertising
Antonio PanciaticiISTI-CNR
The Advertising market
Internet 2006: first half 2006 vs. first half 2005 (+18.9%)
The Advertising market
Tecniche di Advertising
Flash Richiedono Flash Player
Immagini GIFs animate, JPEGs
Sponsored links Text Based Ads (Search-Based
Advertising or Content-Targeted Advertising)
Our Focus
Search-Based Advertising: ogni volta che l’utente 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 dall’advertiser
Content-Targeted Advertising: ogni volta che l’utente 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 dall’advertiser
Search-Based Advertising
AdvertisementKeyword
Advertisementspiù rilevanti
Content-Targeted Advertising
Ad
Key Points
Punto di vista dell’advertiser 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) ?
Key Points
Se l’advertisement è rilevante il motore di ricerca guadagna, sia da un punto di vista economico sia dal punto di vista della credibilità
Se l’advertisement è rilevante aumenta la probabilità che anche l’advertiser guadagni
Il problema del matching
Il problema del matching varia in base al tipo di advertising che si adotta Search-based Advertising Content-targeted Advertising
Search-Based Advertising
Advertisement = (Keywords, titolo, descrizione, URL)
Query = (Search keywords, contesto)
Il processo di matching è keyword-driven
Search-Based Advertising
AdvertisementKeyword
Advertisementspiù rilevanti
Titolo
Descrizione
URL
Content-Targeted Advertising
Advertisement = (Keywords, titolo, descrizione, URL)
Query = (Triggering page, contesto)
Il processo di matching riguarda il contenuto di una pagina (molte keywords)
Search-Based Advertising
Problema principale: poche informazioni (sostanzialmente solo le kewords)
Ranking dipende anche da quanto hanno offerto gli advertisers
Content-Targeted Advertising
Problema principale: gap semantico Linguaggi differenti (esempio bottiglia,
bottle, contesti diversi) Sinonimi Matching approssimato ?
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)
Impedance Coupling in Content-targeted Advertising
Due diversi insiemi di algoritmi matching diretto tra il contenuto della pagina
(trigger page) il testo dell’advertisement 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 dell’advertisement sono diversi (Vocabulary impedance)
Impedance Coupling in Content-targeted Advertising
Advertisement composto da un titolo, una descrizione e un URL
p trigger page A insieme di advertisements ai si vuole effettuare il ranking degli
advertisements ai rispetto a p
Impedance Coupling in Content-targeted Advertising
Vector Space Model Vettori dei pesi della query e del documento q = (w1q,…,wiq,…,wnq)
dj = (w1j,…,wij,…,wnj)
wiq = peso associato al termine ti nella query q
wij = peso associato al termine ti nel documento dj 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)
Il ranking della query q rispetto al documento dj è il seguente (cosine similarity formula)
Impedance Coupling in Content-targeted Advertising
Impedance Coupling in Content-targeted Advertising
Primo algoritmo (AD) Matching contenuto dell’ advertisement (titolo +
descrizione) e il contenuto della trigger page
AD(p, ai) = sim(p, ai)
Impedance Coupling in Content-targeted Advertising
Secondo algoritmo (KW) Matching keyword (può essere composta
da più termini) associate all’advertisement e il contenuto della pagina p
KW(p, ai) = sim(p, ki)
Impedance Coupling in Content-targeted Advertising
Terzo algoritmo (AD_KW) Molte volte le keyword scelte
dall’advertiser sono presenti anche nell’advertisement. Si può usare questa informazione per migliorare AD.
Matching dell’advertisement e le sue keyword con il contenuto della pagina p
AD_KW(p, ai) = sim(p, ai ki)
Impedance Coupling in Content-targeted Advertising Quarto algoritmo (ANDKW)
Molte volte le keyword scelte dall’advertiser non sono presenti nella pagina p anche se l’advertisement può avere un rank alto. Si può pensare che la presenza delle keyword nella pagina p fornisca un indicatore della rilevanza dell’advertisement (le keyword danno una sintesi dell’advertisement)
Matching dell’advertisement forzando la presenza delle keyword nella pagina p
sim(p, ai) se ki pANDKW(p, ai) =
0 altrimenti
Impedance Coupling in Content-targeted Advertising Quinto algoritmo (AD_ANDKW)
Matching dell’advertisement e delle sue keyword forzando la loro presenza nella pagina p
sim(p, ai ki ) se ki p
AD_ANDKW(p, ai) =
0 altrimenti
Algoritmo migliore tra tutti quelli visti fino ad ora
Impedance Coupling in Content-targeted Advertising
Problemi La trigger page appartiene ad un
contesto più ampio di quello relativo all’advertisement
La correlazione tra l’advertisement e la trigger page può essere legato a topic che non compaiono esplicitamente nel contenuto della pagina
Impedance Coupling in Content-targeted Advertising
Il primo problema è dovuto al fatto che il contenuto delle pagine può riguardare qualsiasi argomento. L’advertisement 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)
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
Impedance Coupling in Content-targeted Advertising
Bayesian Network Model per determinare la probabilità che un termine ti sia un buon candidato a rappresentare il contenuto della pagina p
Impedance Coupling in Content-targeted Advertising P(Ti | R) probalità che il termine ti 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 wij peso associato al termine ti nel documento dj (dj
documento simile a p) d0 = p
Impedance Coupling in Content-targeted Advertising
Si effettua il ranking dei termini ti in base alla loro bontà ttop quello per cui vale maxt P(Ti | R)
(quello con il rank più alto) Aggiunge alla pagina p (trasformandola nella
pagina r) tutti i termini per cui P(Ti | R) / P(Ttop | R) ≥ (in questo caso = 0.05)
Impedance Coupling in Content-targeted Advertising
Sesto algoritmo (AAK_T) Matching dell’advertisement e keywords
solo rispetto al set e dei nuovi termini
AAK_T(p, ai) = AD_ANDKW (e, ai)
Impedance Coupling in Content-targeted Advertising
Settimo algoritmo (AAK_EXP) Matching dell’advertisement e keywords
rispetto alla pagina estesa r (termini in p + termini in e)
AAK_EXP(p, ai) = AD_ANDKW (p e, ai)
Impedance Coupling in Content-targeted Advertising
Ottavo algoritmo (H) Matching della landing page
dell’advertisement rispetto alla pagina p. Giustificato dal fatto che landing page (hyperlink della landing page hi) dell’advertiser descrive il target reale dell’advertisement
H(p, ai) = sim (p, hi)
Impedance Coupling in Content-targeted Advertising
Nono algoritmo (AAK_H) Combinazione di AD_ANDKW con H Matching dell’advertisement, delle keyword,
della landing page rispetto alla pagina p forzando la presenza delle keyword nella pagina p
sim(p, ai hi ki) se ki p
AAK_H(p, ai) =
0 altrimenti
Impedance Coupling in Content-targeted Advertising
Decimo algoritmo (AAK_EXP_H) Combinazione di AD_EXP con H Matching dell’advertisement, delle keyword, della
landing page rispetto alla pagina p forzando la presenza delle keyword nella pagina p e
sim(p e, ai hi ki) se ki p e
AAK_H(p, ai) =
0 altrimenti
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
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
Algoritmi per Search-Based Advertising
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
(Paat Rusmevichientong, David P. Williamson)
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 dell’advertiser
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 ZA la variabile aleatoria (v.a) che indica il profitto che si ottiene se si seleziona l’insieme di keyword da A
Sia = (A1, A2,…) una politica, cioè una sequenza di v.a. At indica l’insieme di keyword che l’advertiser seleziona nel periodo t. At può dipendere dalle osservazioni al tempo t-1
Per tutti i T ≥ 1 quello che si vuole trovare è una politica = (A1, A2,…) tale che sia massimo:
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 dell’advertisement 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
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
L’approccio 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
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
L’algoritmo 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
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 St una v.a rappresentante il numero totale di search query arrivate nel periodo t
S1 , S2, … sono indipendenti ed identicamente distribuite con media 1 < < ∞
Supponiamo di conoscere St
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 Qtr una v.a
rappresentante la keyword associata alla query r arrivata nel periodo t
Qtr sono indipendenti ed identicamente distribuite
e P{ Qtr = i } = i con i {1, 2, 3,…, N} e i =1
Supponiamo di conoscere i
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) pi probabilità di click-through per keyword i {1,
2, 3,…, N}, con 0 pi 1
ci (CPC) cost per click
Supponiamo di conoscere ci rimane costante
i guadagno per click con la keyword i
Supponiamo di conoscere i rimane costante
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
Modello (continua): At indica l’insieme di keyword che l’advertiser
seleziona nel periodo t Br
At budget rimanente al periodo t quando la query r viene immessa e l’advertiser ha scelto di selezionare le keywords in At
Xtri variabile aleatoria di Bernulli con parametro pi
(probabilità di click-through) P{Xtri = 1} = pi
Per ogni i con t ≥ 1 e r ≥ 1 vale che Xtri sono
indipendenti ugualmente distribuite Xt
ri indipendenti dall’arrivo delle query
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
Dato il modello visto si ha che
1(.) funzione indicatrice i At (l’advertiser effettua un offerta sulla keyword i all’inizio
del periodo t) Qt
r = i (la query r-esima corrisponde alla keyword i)
BrAt ≥ ci (c’è abbstanza budget per pagare il costo della
keyword i se l’utente va sull’advertisement) Xt
ri = 1 (l’utente effettivamente va sull’advertisement)
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
Supponendo di conoscere pi il problema diventa(static binding problem)
Non è più dipendente dal tempo ! S numero di query Br
A budget rimasto quando la query r-esima viene immessa e l’advertiser ha scelto di selezionare le keywords in A
Xri variabile di Bernulli (indica se l’utente va sull’advertisement relativo alla keyword i durante l’arrivo della query r-esima)
Così formulato, il problema è NP-completo (stochastic knapsack problem) se pi = 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
An Adaptive Algorithm for Selecting Profitable Keywords for Search-Based Advertising Services
Ipotesi Le keyword sono ordinate in modo discendente
secondo il rapporto profitto/costo 1/c1≥ 2/c2 ≥… ≥ N/cN
icipii > 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 ci ≤ 1/k e i ≤ k per tutti gli i (i = numero medio di query contenenti la keyword i)
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 pi e supponendo anche che 1/k + 1/k1- + 1/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
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,…,Iu} e Z* il profitto ottimo abbiamo
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 ?
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 ?
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)
Game Theory
Alcuni concetti importanti Gioco strategico Equilibrio di Nash
Giochi legati al Web Advertising Aste generalizzate di secondo prezzo
(GSP)
Game Theory
Ipotesi I giocatori hanno un comportamento razionale e sfruttano
le loro conoscenze su strategie e comportamenti (conosciuti) degli altri giocatori
Non c’è 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
Strategic Game (due giocatori)
Due giocatori Il giocatore i-esimo adotta un insieme di
strategie Ai non vuoto, con ai Ai strategia pura Il giocatore i-esimo è rappresentato da una
funzione di pay-off ui : A -> R dove A = A1 x A2
Nota: ui dipende anche da ciò che fanno gli altri giocatori
Game Theory
Chiameremo profilo il vettore a = (a1 , a2) con a1 A1 e a2 A2
Diremo che una strategia aj è weakly-dominant per il giocatore i-esimo se
ui(aj,*) ≥ ui(ak,*) per ogni ak Ai indipendentemente da quale sia la strategia degli altri giocatori
Diremo che una strategia aj è strongly- dominant per il giocatore i-esimo se
ui(aj,*) > ui(ak,*) per ogni ak Ai indipendentemente da quale sia la strategia degli altri giocatori
Equilibrio di Nash
Un equilibrio di Nash in un gioco strategico<N=(1,2), (A1 , A2), (u1 , u2)> con due giocatori, è un profilo a* = (a*
1 , a*2) tale che
u1 (a*1 , a*
2 ) ≥ u1(ai , a*2 ) for all ai A1
u2 (a*1 , a*
2 ) ≥ u2(a*1 , aj ) for all aj A2
Intuitivamanente: fissate le strategie degli altri giocatori, nessun giocatore è incentivato a cambiare la propria
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)
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 l’altro
Se nessuno dei due confessa vengono entrambi condannati ad un anno
Il Dilemma del Prigioniero
3 4
0 1
3 0
4 1
Confessa
Non confessaConfessa
Non confessa
Confessa Non confessa
Confessa
Non confessa
Esiste un solo equilibrio di Nash (Confessa, Confessa), non è l’ottimo Confessare è una strategia strongly-dominant L’ottimo è (Non confessa, Non confessa) ma non è un equilibrio !
Nash Equilibrium
Un equilibrio di Nash in un gioco strategico <N, (Ai), (≥i)> 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 , ai) for all ai Ai
Dove Per ogni giocatore i N esiste una relazione di
preferenza ≥i definita su A = Xj NAj
a-i = (aj) j N/i
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 l’insieme Ai è compatto e convesso, e ≥I è
continua e quasi concava allora il gioco strategico <N, (Ai), (≥i)> ha un equilibrio di Nash
Ogni gioco strategico finito (se ogni Ai finito) con strategie miste ha un equilibrio di Nash
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) vi del valore
dell’oggetto vi > 0 per ogni i Simultaneamente, ogni giocatore i fa un offerta bi
privata (offerta strategia) L’oggetto viene assegnato al giocatore che offre di più
(se ce ne è più di uno, in modo random) Per avere l’oggetto, il vincitore paga la sua offerta
Dire la verità non è una strategia dominante !
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) vi del valore
dell’oggetto vi > 0 per ogni i Simultaneamente, ogni giocatore i fa un offerta bi
privata (offerta strategia) L’oggetto viene assegnato al giocatore che offre di più
(se ce ne è più di uno, in modo random) Per avere l’oggetto, il vincitore paga la seconda offerta
più alta
Per ogni giocatore i, offrire il massimo possibile (bi = vi) è una strategia weakly-dominant. Infatti, posto ri = max(bj) per ogni j ≠ i si ha
0 se bi ≤ ri
ui = vi - ri se bi > ri
Supponiamo bi > vi allora
Se ri ≥ bi ui = 0 lo stesso guadagno ottenibile offrendo vi
Se ri ≤ vi ui = vi - ri lo stesso guadagno ottenibile offrendo vi
Se vi < ri < bi ui = vi - ri < 0 offrendo vi ui = 0
Asta di secondo prezzo
Per ogni giocatore i, offrire il massimo possibile (bi = vi) è una strategia weakly-dominant. Infatti, posto ri = max(bj) per ogni j ≠ i si ha
0 se bi ≤ ri
ui = vi - ri se bi > ri
Supponiamo bi < vi allora
Se ri ≥ vi ui = 0 lo stesso guadagno ottenibile offrendo vi
Se ri ≤ bi ui = vi - ri lo stesso guadagno ottenibile offrendo vi
Se bi < ri < vi ui = 0 se il giocatore avesse offerto vi ui = vi - ri
Asta di secondo prezzo
Asta di secondo prezzo
Esiste un equilibrio di Nash in cui tutti i giocatori offrono la loro stima del valore dell’oggetto
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) vi del
valore dell’oggetto vi > 0 per ogni i Per il giocatore i, ogni oggetto ha lo stesso valore vi Simultaneamente, ogni giocatore i fa un offerta bi
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
Per ogni giocatore i, offrire il massimo possibile (bi = vi) non è una strategia weakly-dominant. Infatti, date (r1 > r2 >….> rM) le M offerte più alte
0 se bi rM
ui = vi - rh se bi = rh-1 con h = {2,…,M}
Supponiamo rM < bi = rM -1< r1 < vi allora ui = vi – rM
Se il giocatore i-esimo avesse offerto bi allora ui = vi – r1 < vi – rM offrire il massimo possibile (bi = vi) non è una strategia dominante
Asta generalizzata di secondo prezzo
GSP e Web Advertising
Modello GSP applicato al Web Advertising Google, Yahoo utilizzano GSP Google adotta alcune modifiche che rendono
l’asta ancora più complicata (CTRi = expected click-through rate dell’advertiser i-esimo)
Yahoo (CTR non dipende dall’advertisement)
How to price keywords
Advertisers preferiscono questo slot
Click through rate 200 per ora
Click through rate 150 per ora
GSP e Web Advertising (Yahoo)
N slots nella pagina di ricerca K advertisers interessati ad una keyword ci numero medio di click per periodo per un
advertiser nello slot i Ogni advertiser desidera un solo slot vk valore del click per l’advertiser k uk = ci vk – pij guadagno advertiser k in
posizione i (strategia del giocatore) Advertisers sono risk neutral (tendono a
massimizzare uk)
GSP e Web Advertising
Alcune considerazioni ci non dipende dall’advertiser, ma solo
dalla posizione vk non dipedende dallo slot
pij dipende dagli altri advertisers
GSP e Web Advertising
Pay-off del giocatore i-esimo nella posizione j-esima ui = cj (vi – bj+1)
Il giocatore che ha acquistato lo slot N-esimo in teoria non paga (in realtà i motori di ricerca impongono un prezzo minimo)
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:
(17 - 12) * 250 = 1250€ Se solo il giocatore che ha vinto avesse offerto 11€
(mentendo) avrebbe avuto un pay-off maggiore: (17 - 3) * 240 = 3360€ > 1250€
GSP e Web Advertising
Nel caso reale di Google o Yahoo, l’asta 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,…
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)
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 dell’advertisement (CTRi)
Pagamento è sempre secondo il modello GSP
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 !
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 l’offerta e la rilevanza !
Il problema del ranking
(Google) Ri = bi x CTRi dove CTRi = expected click-through rate
dell’advertiser i-esimo (misura rilevanza dell’advertisement i-esimo)
bi = pagamento dell’advertiser i-esimo
Gli advertisements sono ordinati secondo il loro Ri
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 ?
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 ?
Bach o Stravinsky ?
Due persone desiderano andare insieme ad un concerto di musica classica. Una preferisce Bach, l’altra Stravinsky
Bach o Stravinsky ?
1 0
0 2
2 0
0 1
Bach
StravinskyBach
Stravinsky
Bach Stravinsky
Bach
Stravinsky
Ci sono due equilibri di Nash (Bach, Bach), (Stravinsky, Stravinsky)
Non ci sono strategie dominanti
top related