0


计算广告中的高维问题

Highly dimensional problems in Computational Advertising
课程网址: http://videolectures.net/ecmlpkdd2011_broder_highly/  
主讲教师: Andrei Broder
开课单位: 谷歌公司
开课时间: 2011-10-03
课程语种: 英语
中文简介:
计算广告的核心问题是找到给定上下文中给定用户与合适广告之间的“最佳匹配”。上下文可以是用户在搜索引擎中输入查询（“计算广告的核心问题是在给定上下文中的给定用户和合适的广告之间找到“最佳匹配”。上下文可以是在搜索引擎中输入查询(“赞助搜索”)的用户、阅读web页面的用户(“内容匹配”和“显示广告”)、与便携设备交互的用户，等等。关于用户的信息可能非常详细，也可能几乎为零。潜在的广告数量可能达到数十亿。上下文的数量是未绑定的。因此，根据“最佳匹配”的定义，该问题导致了各种大规模的优化和搜索问题，约束条件复杂。这些问题的解决方案为在线广告行业提供了科学和技术基础。据估计，仅在2011年，在线广告行业的规模就超过280亿美元。这个问题的一个重要方面是预测广告对用户行为的影响，无论是即时的、容易量化的(例如点击广告或在线购买产品)，还是延迟的、难以衡量的(例如离线购买或品牌认知的变化)。为此，问题的三个组成部分——用户、上下文和广告——被表示为高维对象，每天收集记录它们之间交互的tb级数据。然而，考虑到问题的表示难度、问题的维数以及感兴趣事件的稀有性，预测问题仍然是一个巨大的挑战。本次演讲的目的有两个方面:简要介绍计算广告，并调查这一新兴科学学科核心的几个高维问题。赞助搜索”），用户阅读网页（“内容匹配”和“显示广告”），用户与便携式设备交互等等。关于用户的信息可以从scally详细到几乎为零。潜在广告的数量可能达数十亿。上下文的数量是未绑定的。因此，取决于“最佳匹配”的定义，该问题导致各种大规模优化和搜索问题，具有复杂的约束。这些问题的解决方案提供了在线广告行业的科学和技术基础，据估计，2011年仅美国就有超过280亿美元的产业。这个问题的一个重要方面是预测广告对用户行为的影响，即时且易于量化（例如点击广告或在线购买产品）或延迟和更难衡量（例如离线购买或品牌认知的变化）。为此，问题用户，上下文和广告的三个组成部分被表示为高维对象，并且每天收集记录它们之间的交互的太字节数据。然而，考虑到表现难度，问题的维度和感兴趣的事件的罕见性，预测问题仍然是一个巨大的挑战。本次演讲的目标是双重的：简要介绍计算广告和调查几个高维度这个新兴科学学科的核心问题。
课程简介: The central problem of Computational Advertising is to find the "best match" between a given user in a given context and a suitable advertisement. The context could be a user entering a query in a search engine ("sponsored search"), a user reading a web page ("content match" and "display ads"), a user interacting with a portable device, and so on. The information about the user can vary from scarily detailed to practically nil. The number of potential advertisements might be in the billions. The number of contexts is unbound. Thus, depending on the definition of "best match" this problem leads to a variety of massive optimization and search problems, with complicated constraints. The solution to these problems provides the scientific and technical underpinnings of the online advertising industry, an industry estimated to surpass 28 billion dollars in US alone in 2011. An essential aspect of this problem is predicting the impact of an ad on users’ behavior, whether immediate and easily quantifiable (e.g. clicking on ad or buying a product on line) or delayed and harder to measure (e.g. off-line buying or changes in brand perception). To this end, the three components of the problem -- users, contexts, and ads -- are represented as high dimensional objects and terabytes of data documenting the interactions among them are collected every day. Nevertheless, considering the representation difficulty, the dimensionality of the problem and the rarity of the events of interest, the prediction problem remains a huge challenge. The goal of this talk is twofold: to present a short introduction to Computational Adverting and survey several high dimensional problems at the core of this emerging scientific discipline.
关 键 词: 信息交互; 广告分析; 数据分析运输; 广告问题; 预测问题
课程来源: 视频讲座网公开课
最后编审: 2019-05-26：cwx
阅读次数: 105

纠错/补充/评论/留言
评论/留言 纠错/补充
验证算术题： 5 + 6 =