AdHeat: An Influence-based Diffusion Model for Propagating Hints to Match Ads
Hongji Bao and Ed Chang所提出，發表於2010 19th International World Wide Web Conference
註：本Paper有得到2010 WWW Best Paper nominees
--
摘要
在這個網路爆發的時代，隨著網路流量的持續增長，網路廣告成為網路上相當重要的寵兒，但是網路平台何其多，網路廣告內容更是五花八門，如何能把「正確的廣告」送到「合適的瀏覽者」面前就成為相當值得探討的一個課題。
一般對於網路上網頁(web sites)的資料探勘(data mining)分為三個部分：
Content-based Relevant Analysis(以網頁內容為主的關連性分析)
User-targeting Relevant Analysis(以使用者資料為主的關聯性分析)
Influence Analysis and Propagation(以影響力和傳播為主的分析)
前兩個分析方法由於切入的角度不同，所以各有其優缺點，然而這兩個分析方法都需要充分的網頁內容或使用者資料來做分析，要是網頁內容不夠充分或是使用者資料過於老舊，都會分析出不正確的結果，因此不論選擇哪一個分析方法都會面臨到資料稀疏(data sparsity)的挑戰。
最後一個分析方法是根據網路上內容的影響力和傳播幅度來做分析，在網路社群互動的過程中尋找有較大影響力的資訊，找出此隱含關係(implicit-relationship)的資訊來做應用。
舉個例子來說，當我們使用Facebook看到喜歡的訊息可以按「讚」來支持它，按「讚」這個動作會讓Facebook提高這則訊息曝光率，因此可以讓更多的人知道這則訊息，同時透過按「讚」的人數也能代表一則訊息的影響人數。
--
方法與實驗
Why mining implicit-relationship?
因為所有使用者的表面資訊無法保持在最新的狀況
因為所有使用者的互動過程無法得到明確的涵義
作者根據Influence Analysis and Propagation的基礎在這裡提出新的演算法AdHeat：
the first ad model that uses influence to diffuse hints for matching ads.
AdHeat Algorithms(use LDA、HIT、DiffusionRank)包含三個部分：
Hint word generation
Influential user ranking
Influential Propagation
這邊簡單說明整個演算法的用意，首先提取網頁內容中隱含具有暗示意義的文字，然後透過Activity和Authority來決定使用者之間的影響力排名，最後依照影響力排名把資訊散播出去。
實際把AdHeat演算法應用在Google Confucius的Q&A上做實驗，實驗過程透過廣告點擊率(CTR)來做統計，依照影響力強弱提供相關的廣告，並把影響力的強弱區分為level 1~5來觀察點擊率的差異，經過數週的實驗之後，可以發現使用AdHeat確實可以得到更高的廣告點擊率(CTR)。
(對照組使用Content-based)
在實驗後可以觀察到的結論有幾個，一來是AdHeat在面對資料稀疏(data sparsity)的挑戰是能有效提高CTR點擊率的，二來是證明AdHeat能有效提高CTR，最後則是發現影響力最強的內容卻不是CTR點擊率最高的。
--
回饋
廣告成效衡量的標準，除了點擊率(CTR)以外是否還有其他可依賴的標準？
什麼樣的論文是比較有貢獻的，是舊問題套用新方法，還是新問題套用舊方法!?
What is Good Idea?
方法不一定有人懂，但實驗結果卻很棒
實驗結果要分析(推測?)出有用的資訊(information)
撰寫論文的過程中，我們很少自創一個全新的方法，大多是把其他人提出的方法，拿來應用在沒有人嘗試過的地方，然後試著尋找對研究有幫助的結果。
我們怎樣才會知道什麼樣的方法對研究可能是有幫助的？
這個時候動機與參考文獻就變得相當的重要，要先有研究的動機，進而尋找相關的文獻資料，幫助我們釐清整個研究的背景與環境，讓我們知道什麼樣的方法有可能解決(減少)現況下的問題。
動機→參考→方法→實驗→結果
這樣就是一篇典型論文誕生的模式
0 留言:
張貼留言