Показати скорочену інформацію

dc.contributor.authorШтовба, О. В.uk
dc.contributor.authorShtovba, O.en
dc.date.accessioned2024-05-31T10:53:49Z
dc.date.available2024-05-31T10:53:49Z
dc.date.issued2024
dc.identifier.citationШтовба О. В. Адаптаційне управління показом рекламних роликів в соціальних мережах за схемою багаторукого бандита. Innovation and Sustainability. 2024. № 1. С. 83-92.uk
dc.identifier.issn2786-5940
dc.identifier.issn2786-5959
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/42560
dc.description.abstractЗа мінливого маркетингового середовища для успіху рекламної кампанії необхідно максимально скоротити час від ідеї реклами до реалізації комунікації. Постає необхідність одночасного і рекламування, і досліджень, і корегування комунікаційних процесів. Відповідно, потрібно приймати деяку послідовність рішень, сукупність яких забезпечують коректний баланс між етапами тестування та запуску. Одним із найбільш зручних для практичної реалізації адаптаційних механізмів є схема дворукого бандита. Дворукий бандит це модель багатократного вибору однієї із двох альтернатив з апріорі невідомим розподілом виграшу між ними. Кожна альтернатива асоціюється з однією рукою бандита. За наслідками прийнятих рішень ймовірносний розподіл виграшів поступово ідентифікується і використовується в подальшому для експлуатації кращої альтернативи. На практиці альтернатив може бути і більше, тоді задача багатократного прийняття рішень зводиться до моделі багаторукого бандита. Запропонована нова модель управління показом рекламних роликів в соціальних мережах за принципами багаторукого бандита. Ідея полягає в тому, одночасно демонструється кілька рекламних роликів, частота показу кожного із яких залежить від результативності – від рівня утримання глядачів до контактного кадра. На основі показників утримання між роликами щодобово перерозподіляються деяка частка ресурсів. Запропоновані прості та ефективні формули для перерозподілу ресурсів, які враховують як поточну нерівномірність показників утримання, так і статистику демонстрацій роликів. Здійснено моделювання управління показом протягом 35 діб для трьох рекламних роликів. Продемонстрована робота моделі управління як за стаціонарних умов, так і за умов вкиду вірусного повідомлення. На фазових траєкторіях продемонстровано як змінюється реакція системи на вкид вірусного повідомлення за різних параметрів управління.uk
dc.description.abstractIn a rapidly changing marketing environment, to ensure the success of an advertising campaign, it is necessary to minimize the time from the idea of advertising to the implementation of communication. There is a need for simultaneous advertising, study and adjustment of communication processes. Accordingly, it is necessary to make a certain sequence of decisions, the sum of which ensures the right balance between learning and earning. One of the most convenient adaptation mechanisms for practical implementation is the two-armed bandit scheme. A two-armed bandit is a model of multiple choices of one of two alternatives with an a priori unknown distribution of payoffs between them. Each alternative is associated with one arm of the bandit. As a result of the choices made, the probabilistic distribution of payoffs is identified by step to step and used to exploit the best alternative. In practice, there may be more alternatives, in which case the multiple decision problem is maped to the multi-armed bandit scheme. A new multi-armed bandit-based model for advertising control in social networks is proposed. The idea is that multiple advertisements are displayed simultaneously, and the frequency of display of each depends on its performance - from the level of viewer retention to the contact frame. Based on the retention rates, a certain share of resources is redistributed among the commercials on a daily basis. Simple and effective formulas for the reassignment of resources are proposed, taking into account both the current unevenness of retention rates and the statistics of video demonstrations. A simulation of the control model for a 35-day campaign for three commercials is performed. The performance of the control model is demonstrated both under steady-state conditions and in the case of a viral message insertion. The phase trajectories show how the response of the system to the insertion of a viral message changes with different control parameters.en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofInnovation and Sustainability. № 1 : 83-92.en
dc.relation.urihttps://ins.vntu.edu.ua/index.php/ins/article/view/233
dc.subjectрекламаuk
dc.subjectуправління рекламуванняuk
dc.subjectадаптаціяuk
dc.subjectсоціальна мережаuk
dc.subjectбагаторукий бандитuk
dc.subjectadvertisingen
dc.subjectadvertising controlen
dc.subjectadaptationen
dc.subjectsocial networken
dc.subjectmulti-armed banditen
dc.titleАдаптаційне управління показом рекламних роликів в соціальних мережах за схемою багаторукого бандитаuk
dc.title.alternativeMulti-armed bandit-based adaptive control of advertising in social networksen
dc.typeArticle
dc.identifier.udc659.11
dc.relation.referencesFeit, E. M., & Berman, R. (2019). Test & roll: Profit-maximizing A/B tests. Marketing Science, 38(6), 1038–1058. https://doi.org/10.1287/mksc.2019.1194en
dc.relation.referencesHolland, J.H. (1992). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT Press, 211 p.en
dc.relation.referencesScott, S. L. (2015). Multi-armed bandit experiments in the online service economy. Applied Stochastic Models in Business and Industry, 31(1), 37–45. https://doi.org/10.1002/asmb.2104en
dc.relation.referencesSchwartz, E. M., Bradlow, E. T., & Fader, P. S. (2017). Customer acquisition via display advertising using multi-armed bandit experiments. Marketing Science, 36(4), 500–522. https://doi.org/10.1287/mksc.2016.1023en
dc.relation.referencesRusso, D. J., Van Roy, B., Kazerouni, A., Osband, I., & Wen, Z. (2018). A tutorial on Thompson sampling. Foundations and Trends in Machine Learning. Now Publishers Inc. https://doi.org/10.1561/2200000070en
dc.relation.referencesRothschild, M. (1974). A two-armed bandit theory of market pricing. Journal of Economic Theory, 9(2), 185-202.en
dc.relation.referencesAramayo, N., Schiappacasse, M., & Goic, M. (2023). A Multiarmed Bandit Approach for House Ads Recommendations. Marketing Science, 42(2), 271–292. https://doi.org/10.1287/mksc.2022.1378en
dc.relation.referencesLykouris, T., Mirrokni, V., & Leme, R. P. (2020). Bandits with adversarial scaling. In 37th International Conference on Machine Learning, ICML 2020 (Vol. PartF168147-9, pp. 6467–6477). International Machine Learning Society (IMLS).en
dc.relation.referencesIacob, A., Cautis, B., & Maniu, S. (2022). Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach. In Proceedings of the 2022 SIAM International Conference on Data Mining, SDM 2022 (pp. 513–521). Society for Industrial and Applied Mathematics Publications. https://doi.org/10.1137/1.9781611977172.58en
dc.identifier.doihttps://doi.org/10.31649/ins.2024.1.83.92
dc.identifier.orcidhttps://orcid.org/0000-0003-1418-4907


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію