Atribuição Automática de Propagandas a Páginas da Web

Transcrição

1 Atrbução Automátca de Propagandas a Págnas da Web Aníso Mendes Lacerda Lara Crstna Rodrgues Coelho Resumo O problema da propaganda dreconada baseada em conteúdo (PDC) consttu-se em atrbur propagandas a págnas da web de forma automátca. Atualmente essa é uma das prncpas formas de publcdade na nternet. Entretanto, esse problema trás consgo váras questões, por exemplo: como obter um método aproprado para seleconar propagandas que sejam relevantes aos usuáros e rentáves aos anuncantes? Neste artgo, propõe-se uma nova abordagem para assocar propagandas a págnas web utlzando o classfcador Nave Bayes. Três modelos são apresentados: modelo-págna (MP), o qual leva em consderação apenas as palavras contdas nas propagandas avaladas; modelo-págna-e-propaganda (MPEP), que leva em conta as palavras contdas na propaganda e na págna; e modelo-págna-ou-propaganda (MPOP), que leva em conta as palavras contdas na propaganda ou na págna. É mostrado expermentalmente que a melhor das metodologas fo a MPEP, seguda da MP, e por últmo a MPOP. 1. Introdução O surgmento da Internet representou para as empresas uma nova oportundade em termos de marketng: a possbldade de exposção global a um custo extremamente baxo. Durante os anos 90, mutas companhas gastaram grandes somas em propaganda na Internet sem aparente preocupação com o retorno dos seus nvestmentos [9]. Tal stuação mudou na década segunte quando a falênca de mutas dessas companhas fo seguda de uma escassez de captal de rsco para novos negócos. Por consegunte, houve uma consderável redução nos nvestmentos em propaganda na Internet [8, 9]. Tornou-se necessáro utlzar técncas mas efetvas de publcdade tas como o marketng dreconado. Nesse tpo de marketng, os nteresses de curto e longo prazo dos usuáros, bem como suas necessdades de nformação são consderadas no momento em que lhes é oferecdo um produto ou servço [5, 7]. Como consequênca, mutas companhas ntensfcaram a adoção de métodos ntrusvos para a coleta de nformações dos usuáros, mutas vezes sem o seu consentmento [4]. Os nevtáves problemas de prvacdade resultantes do emprego de tas estratégas estmularam a pesqusa por meddas menos ntrusvas [9]. Recentemente, empresas que fazem a ntermedação de nformação na Internet (tas como aquelas que prestam servços de busca ou oferecem sstemas de recomendação e comparação de preços) ntroduzram dferentes técncas de nserção paga [2]. Por exemplo, uma empresa pode garantr uma posção de destaque em uma lsta de relevânca que será apresentada ao usuáro medante um pagamento prévo. Uma técnca bastante dfundda é o marketng dreconado baseado em palavras-chaves (MDP), no qual os termos usados em uma consulta feta pelo usuáro são comparados com palavras-chaves escolhdas pelos anuncantes para caracterzar os seus anúncos. A lsta de respostas que será exbda ao usuáro é ordenada conforme o montante que cada empresa está dsposta a pagar pela veculação do seu anúnco. O sucesso do MDP motvou mutas empresas medadoras de nformação na Internet a oferecer seus servços de publcdade em contextos dferentes. Por exemplo, anúncos relevantes podem ser exbdos aos usuáros dretamente nas págnas de portas de nformação. Com sso, é possível vecular propaganda relaconada ao nteresse medato do usuáro enquanto este está navegando. Esse problema, conhecdo como publcdade dreconada baseada em conteúdo (PDC), dfere-se do MDP pos a lsta de propagandas a ser veculada é determnada com base no conteúdo da págna a ser exbda e não com base em termos usados pelos usuáros em consultas (ver exemplo da Fgura 1). É mportante frsar que estratégas de nserção pagas podem mplcar em rsco para as empresas medadoras de nformação. Por exemplo, tas estratégas podem ter mpacto negatvo sobre a credbldade do servço prestado o que, em longo prazo, pode levar ao fracasso do negóco [2]. É mportante nvestr na melhora da qualdade dos mecansmos de escolha das propagandas mas relevantes ou mas smlares à uma págna Web, pos sso mnmza a possbldade de veculação de uma propaganda que o usuáro possa consderar desnteressante. Desta forma, empresas medadoras de

2 cas. O aprendzado de tas classfcadores pode ser extremamente smplfcado supondo que as característcas sejam ndependentes. Embora a ndependênca seja geralmente uma suposção pobre, na prátca Nave Bayes compete bem com os classfcadores mas sofstcados. O método fo escolhdo devdo à sua grande efcênca computaconal e por ser um dos mas efcazes classfcadores encontrados lteratura. 2. Metodologa Nesta seção são apresentadas nformações relaconadas ao problema da publcdade dreconada baseada em conteúdo (PDC) e também uma revsão sobre o classfcador Nave Bayes. Fgura 1. Exemplo de PDC em uma págna de um jornal. A porção do meo da págna mostra o começo do artgo sobre o lançamento de um flme em DVD. Na parte de baxo da págna nós podemos ver as propagandas seleconadas pelo sstema de PDC do Google, AdSense. nformação podem garantr a manutenção de sua credbldade e uma attude postva do usuáro em relação aos anuncantes e seus anúncos [7], proporconando ganhos para todos [2]. No presente trabalho será abordado o problema da publcdade dreconada baseada em conteúdo (PDC). Assumese que se tem acesso a algumas evdêncas textuas (e.g., texto da págna Web e da propaganda, campanha publctára ao qual a propaganda pertence, palavras-chaves dsponíves para descrever o conteúdo da propaganda) que permtam escolher quas as melhores ou mas relevantes propagandas para uma determnada págna Web. Rbero-Neto et al [6] e Lacerda et al [3] obtém as propagandas mas relevantes através da aplcação de uma função de smlardade. A especfcação de tal função de smlardade frente ao grande número de possíves evdêncas é uma tarefa extremamente complexa. Propõe-se uma nova abordagem na qual as propagandas mas relevantes para uma págna Web são determnada através do uso de um classfcador. Do ponto de vsta matemátco, um classfcador é um mapeamento a partr de um espaço de característcas para um conjunto dscreto de rótulos. No modelo proposto, o classfcador mapeará as característcas tanto da propaganda quanto da págna alvo para um dos rótulos relevante ou rrelevante. Neste trabalho será utlzado um classfcador conhecdo como Nave Bayes.Os classfcadores Bayesanos atrbuem a classe mas provável a um exemplo dado descrto por seu vetor de característ O problema da publcdade dreconada baseada em conteúdo O problema da publcdade dreconada baseada em conteúdo consste em mostrar uma lsta de propagandas em uma págna da Web, desgnada págna-alvo. As propagandas devem ser relevantes para os usuáros e rentáves para os publctáros. Assm, os fatores que nfluencam a ordem em que as propagandas são mostradas na págna-alvo são: () a adequação em relação ao conteúdo da págna e () o valor a ser pago pelo publctáro por cada clque em sua propaganda. Esse últmo não será levado em consderação neste trabalho. Uma propaganda é consttuída de três partes estruturas: um título, uma descrção textual e um hyperlnk. Além da parte vsível, a cada propaganda pode ser assocado um conjunto de palavras-chaves K = {k 1,k 2,...,k m }, as quas são nformadas pelos anuncantes para delmtar quas tópcos devem aparecer nas págnas onde suas propagandas rão aparecer. Porém, neste trabalho não haverá dferencação sobre a qual parte pertence uma determnada palavra relaconada à uma propaganda. Um anuncante pode assocar váras propagandas ao mesmo produto ou servço. Esse grupo de propagandas é chamado de campanha. Idealmente, apenas uma propaganda por campanha pode aparecer em cada págna web. Neste trabalho objetva-se escolher as propagandas mas relevantes para uma dada págna. Dada uma coleção de págnas P e um conjunto de propagandas A, obtém-se o conjunto R A de propagandas classfcadas como relevantes para uma dada págna p P. Ao fnal, selecona-se as x propagandas a j R com maor grau de relevânca para a págna p Classfcador Nave Bayes Seja X = (X 1,...,X n ) um vetor de varáves aleatóras denomnadas característcas no qual cada uma de-

3 las assume um valor de seu domíno D. O conjunto de todos os vetores de característcas é denotado por Ω = D 1... D n. Seja C uma varável aleatóra não observada denotando a classe de um exemplo e γ o conjunto {0,...,m 1}. C pode assumr um dos valores c γ. Letras maúsculas, como X, denotarão varáves e letras mnúsculas, como x, denotarão seus valores. Um classfcador é defndo como uma funcão determnístca h : Ω γ que atrbu uma classe para um dado exemplo. Uma abordagem comum é de assocar cada classe γ a uma função dscrmnante f (x) e fazer com que o classfcador selecone a classe com o maor valor da função dscrmnante para um exemplo: h(x) = argmax γ f (x). O classfcador Bayes h (x) usa como funções dscrmnantes a probabldade posteror da classe dado o vetor de característcas, ou seja, f (x) = P(C = X = x). Aplcando as regras de Bayes, temos que P(C = X = x) = P(X = x C = )P(C = ) P(X = x) na qual P(X = x) é gual para todas as classes, e portanto pode ser gnorada. Com sso pode-se descrever a função dscrmnante de Bayes como f (x) = P(X = x C = )P(C = ), na qual P(X = x C = ) é conhecda como dstrbução de probabldade classe-condconada. Assm, o classfcador de Bayes h (x) = argmax P(X = x C = )P(C = ) encontra a probabldade máxma a posteror para o exemplo x. Entretanto, estmar dretamente P(X = x C = ) de um conjunto de treno é muto caro se o espaço de característcas é muto grande. Porém, pode-se assumr que as característcas são ndependentes para cada classe. Com sso temse o classfcador Nave Bayes, defndo pela função dscrmnante f NB = Π n j=1p(x j = x j C = )P(C = ). 3. Modelando PDC utlzando o classfcador Nave Bayes Nesta seção é apresentada a modelagem utlzada para o problema da propaganda dreconada baseada em conteúdo utlzando o classfcador Nave Bayes. Como mostrado na Seção 2.2, um classfcador é uma função h : Ω γ, ou seja, um mapeamento do conjunto de todos os vetores de característcas X = (X 1,...,X n ) para um conjunto dscreto com m elementos denomnado conjunto de classes. Para o problema da propaganda dreconada baseada em conteúdo tem-se que m = 2, ou seja, exstem apenas duas classes, denomnadas relevante e rrelevante. Além dsso, cada entrada X do vetor de característcas é uma tupla contendo uma palavra e sua freqüênca. Dessa forma, para o problema da propaganda dreconada baseada em conteúdo, o classfcador Nave Bayes utlza freqüêncas das palavras nos conjuntos de propagandas A e de págnas D (veja Seção2.1) para classfcar se um par págna-propaganda é relevante ou rrelevante e, fnalmente, obter um conjunto R com os pares págna-propaganda consderadas mas relevantes pelo Nave Bayes. Apresenta-se três modelos para a obtenção de cada tupla palavra-freqüênca dos vetores de característcas Modelo Baseado em Págna (MP) Dada uma págna p do conjunto D de págnas, devese obter o conjunto R A das propagandas mas relevantes para p. Neste modelo, o cálculo de cada tupla palavrafreqüênca do vetor de característcas é obtdo calculandose a freqüênca de cada palavra contda nas propagandas em A. Então, o classfcador determna a classe para cada uma das propagandas em relação à págna p. Desta forma há uma etapa de classfcação para cada págna p D Modelo Baseado em Págna-Propaganda (MPP) Neste modelo, a classfcação é baseada no par págnapropaganda, dferentemente do anteror, que consdera apenas as propagandas fxando-se uma págna. Ou seja, para toda propaganda a j A e toda págna p D, obtem-se o conjunto R de todos os pares (p,a j ) mas relevantes segundo o classfcador Nave Bayes. O cálculo de cada tupla palavra-freqüênca do vetor de característcas é obtdo calculando-se a freqüênca de cada palavra contda na dupla págna-propaganda. Propõe-se duas maneras dstntas de calcular essa freqüênca. Abaxo, seguem os modelos dervados do modelo MPP Modelo Baseado em Págna ou Propaganda (MPOP) No MPOP, cada tupla palavra-freqüênca do vetor de característcas é obtdo calculando-se a freqüênca das palavras que ocorram na págna ou na propaganda da dupla págna-propaganda. Nos casos em que uma dada palavra ocorra tanto na págna quanto na propaganda representa-se a freqüênca dessa palavra como sendo a soma das freqüêncas da palavra na págna e da palavra na propaganda Modelo Baseado em Págna e Propaganda (MPEP) No MPEP cada tupla palavra-freqüênca do vetor de característcas é obtdo calculando-se a freqüênca

4 somente das palavras que ocorram na págna e na propaganda smultâneamente. Neste modelo as freqüêncas das palavras do vetor de característcas será gual a méda artmétca das freqüêncas da palavra na págna e da palavra na propaganda, desde que as frequêncas de ambas seja maor que zero. 4. Expermentos e Resultados Nesta seção descreve-se os expermentos realzados com os modelos propostos nas seções 3.2, e e os resultados obtdos Metodologa para valdação estatístca Uma manera de melhorar a valdação estatístca de um método de machne learnng é utlzar cross-valdaton. Neste trabalho fo utlzado especfcamente k-fold crossvaldaton. A técnca de k-fold cross-valdaton consste em partconar o conjunto de exemplos em k sub-conjuntos dstntos de gual tamanho e, em seguda, trenar e testar o algortmo k vezes, utlzando-se cada um dos k sub-conjuntos como teste, e todos os sub-conjuntos restantes como treno. Desta forma, o classfcador é testado em k conjuntos de teste ndependentes, e a méda das execuções é retornada como a estmatva do desempenho do classfcador. Neste trabalho utlzamos k = 5. Para comparar os métodos e estmar qual o grau de confança da comparação serão determnados os ntervalos de confança dos métodos, os quas serão utlzados para verfcar se as dferenças de desempenho dos métodos é válda estatstcamente Métrca de avalação O objetvo deste trabalho é construr uma ordenação relevante de propagandas em relação a uma dada págna-alvo. Uma boa lsta de propagandas deve maxmzar a colocação de propagandas relevantes próxmo ao topo da lsta uma vez que estas são as posções mas provavelmente clcadas pelos usuáros. Logo, a função de avalação deve levar em consderação o número de propagandas relevantes e a ordem na qual tas propagandas aparecem, sto é, ela deve ser uma combnação de precsão e revocação [1], duas métrcas conhecdas em Recuperação de Informação. Neste trabalho será utlzada a função: pavg@x = η ( ( x j=1 r(a ) r(a )) j) =1 onde η = 1 x é uma constante de normalzação que garante que pavg@x está no ntervalo entre 0 e 1, x é o número (1) de propagandas a serem mostradas na págna-alvo, a é a -ésma propaganda ordenada, e r(d) {0,1} é o valor de relevânca de uma dada propaganda, sendo 1 se a propaganda é relevante e 0 caso contráro. A nformação de relevânca é obtda a partr dos usuáros Coleções utlzadas As estratégas propostas para atrbução de propagandas foram testadas em uma coleção D de teste construída a partr de 100 págnas obtdas de um jornal braslero. Tas págnas cobrem tópcos de natureza dversa, como por exemplo, cultura, esporte, agrcultura, economa, dentre outros. O conjunto de propagandas A utlzado fo obtdo utlzando-se o mesmo método de poolng utlzado para avalar-se coleções TREC-Web. Em outras palavras, para cada uma das 100 págnas-alvo fo seleconado um conjunto R contendo as 3 propagandas mas relevantes fornecdas por cada um dos 10 métodos propostos em [6]. Essas propagandas foram obtdas a partr de uma coleção real composta por propagandas agrupadas em campanhas fornecdas por anuncantes. Todas as propagandas foram submetdas a uma avalação manual realzada por um grupo de 15 pessoas. O número médo de propagandas relevantes por págna fo Resultados obtdos Nesta seção apresentamos os resultados referentes aos três modelos propostos na Seção 2. Todos os resultados são estatstcamente váldos com um nível de confança gual a 95%. Fo utlzado o teste t pos o número de conjunto de testes fo gual a 5 (menor que 30), como mostrado na Seção 4.1. Modelo Méda Desvo padrão MP 0,728 0,037 MPOP 0,493 0,030 MPEP 0,802 0,027 Tabela 1. Resultados de Precsão Méda (pavg@3) para os modelos propostos. O desempenho do modelo MPOP fo o por dentre todos os modelos testados ( 0,493 em pavg@3). Uma tentatva de explcar esse fato é: ao consderar tanto as palavras que ocorrem na págna quanto na propaganda o classfcador não é capaz de encontrar padrões de semelhança entre propagandas relevantes e também padrões de semelhança entre propagandas rrelevantes.

5 Para o modelo MP um desempenho ntermedáro (pavg@3 = 0,728) fo obtdo. Ou seja, fo possível gerar uma ordenação de propagandas fornecendo ao classfcador somente a freqüênca das palavras contdas nas propagandas. Em outras palavras, o classfcador fo capaz de dentfcar padrões entre as propagandas relevantes e padrões entre as propagandas rrelevantes, permtndo dstngu-las. Analsando-se comparatvamente o melhor resultado, obtdo pelo modelo MPEP (pavg@3 = 0,802), e o resultado ntermedáro, percebe-se que o modelo MP obteve um desempenho um pouco nferor ao modelo MPEP. Uma vez que o modelo MPEP leva em consderação a méda das freqüêncas das palavras que ocorrem tanto no documento quanto na págna, podemos conclur que a freqüênca das palavras na propaganda tem peso, porém os resultados podem ser melhorados consderando-se também a freqüênca das palavras na págna. Ressalta-se que todas as conclusões desse trabalho são prelmnares e novos testes devem ser realzados, bem como análses mas detalhadas são necessáras. 5. Conclusões e Trabalhos Futuros Neste trabalho fo apresentada uma avalação expermental na aplcação de um método de classfcação, Nave Bayes, na atrbução automátca de propagandas à págnas web. Foram propostas três métrcas: MP, a qual leva em consderação apenas as palavras contdas nas propagandas avaladas; MPEP que leva em conta as palavras contdas na propaganda e na págna; e MPOP que leva em conta as palavras contdas na propaganda ou na págna. Mostrou-se expermentalmente que a melhor das metodologas fo a MPEP, seguda da MP, e por últmo a MPOP. Como trabalhos futuros pretende-se avalar o desempenho de outro classfcador, em partcular, o Support Vector Machne (SVM), um método consderado estado-da-arte na lteratura de aprendzado de máquna. Além dsso, analsaremos o mpacto de técncas de seleção de termos nos modelos propostos. Fnalmente, remos comparar nossas abordagens com outras técncas tas como Programação Genétca [3]. [3] A. M. Lacerda, M. Crsto, M. A. Gonçalves, W. Fan, N. Zvan, and B. Rbero-neto. Learnng to advertsng. In Proceedngs of the 29th Annual Internatonal ACM SIGIR Conference on Research and Development n Informaton Retreval, Seattle, Washngton, USA, [4] M. Langhenrch, A. Nakamura, N. Abe, T. Kamba, and Y. Kosek. Unntrusve customzaton technques for web advertsng. Comput. Networks, 31(11-16): , [5] T. P. Novak and D. L. Hoffman. New metrcs for new meda: toward the development of web measurement standards. World Wde Web J., 2(1): , [6] B. Rbero-neto, M. Crsto, E. S. de Moura, and P. B. Golgher. Impedance couplng n content-target advertsng. In Proceedngs of the 28th Annual Internatonal ACM SIGIR Conference on Research and Development n Informaton Retreval, pages , Salvador, Baha, Brazl, July [7] C. Wang, P. Zhang, R. Cho, and M. Daeredta. Understandng consumers atttude toward advertsng. In Eghth Amercas Conference on Informaton Systems, pages , August [8] M. Wedeman. Ethcal ssues on content dstrbuton to dgtal consumers va pad placement as opposed to webste vsblty n search engne results. In The Seventh ETHICOMP Internatonal Conference on the Socal and Ethcal Impacts of Informaton and Communcaton Technologes, pages Troubador Publshng Ltd, Aprl [9] M. Wedeman and T. Hag-Smth. An nvestgaton nto search engnes as a form of targeted advert delvery. In Proceedngs of the 2002 annual research conference of the South Afrcan nsttute of computer scentsts and nformaton technologsts on Enablement through technology, pages South Afrcan Insttute for Computer Scentsts and Informaton Technologsts, Referêncas [1] R. Baeza-Yates and B. Rbero-Neto. Modern Informaton Retreval. Addson-Wesley-Longman, 1st edton, [2] H. K. Bhargava and J. Feng. Pad placement strateges for nternet search engnes. In Proceedngs of the eleventh nternatonal conference on World Wde Web, pages ACM Press, 2002.