Computational Advertising

Computational Advertising merupakan sub disiplin imu yang relatif masih baru yang mempunyai tantangan utama yaitu mencocokan antara konteks(kata kunci) yang diberikan oleh user dengan Ads yang akan ditampilkan. Manampilkan Ads pada waktu dan tempat  yang tepat  secara ilmiah adalah tantangan yang  cukup kompleks  dan telah banyak penelitian dilakukan untuk  meningkatkan hasil nya. Tujuannya adalah untuk memperbesar kemungkinan penerima untuk merespon ads yang ditampilkan. Yang paling populer dalam memperkenalkan computational advertising adalah Google yang sukses dengan AdSense-nya. Kesuksesan ini terjadi berkat algoritma pencocokan ads kepada penerima didasarkan pada tekstual konten yang terkandung didalam halaman web.

Terdapat 5 langkah proses dalam mengambil dan menampilkan ads terbaik:

  1. Analisa konteks dari sebuah halaman web, kemudian tampilakn fitur-fitur nya(konten, toipk, kata kunci, data pengguna, dan kebiasaan, lingkungan, tempat, waktu, alat dll)
  2. Analisa ads, kemudian tampilkan fitur-fiturnya. (Judul, tawaran, harga, dll)
  3. Rancang sebuah fungsi penilaian antar fitur konteks dan fitur ads kemudian beri bobot. Setiap ads memiliki penilaian yang berbeda untuk setiap publiser, pengiklan dan penerima iklan.
  4. Bangun mesin pencari yang diperkirakan dapat mencari dengan cepat dalam berjuta-juta kemungkinan ads dan pilih ads dengan nilai tertinggi.
  5. Sampaikan ads yang didapat dari hasil penilaian.

Mengartikan apa konteks itu dan membuat keputusan bahwa ini merupakan ads yang cocok adalah dua tantangan yang dapat di pecahkan oleh

  • Artificial Intelligence
  • Neural Language Processing
  • Information Retrieval

Ads sering disebut sebagai sebuah bentuk dari informasi. Hal ini bukanlah sebuah konsep baru. Pada tahun 1985  David Ogilvy berkata ” do not regard advertising as entertainment or an art form, but as a medium of information….“, bahkan jauh sebelumnya pada tahun 1974  Philip Nelson mempublikasikan sebuah papaer terkenal berjudul “Advertising as  Information“.

Dalam hal ini, beberapa peneliti melihat bahwa menyampaikan sebuah Ads sebagai sebuah penyedia Informasi dan demikian halnya dengan tantangan dalam pencarian Ads yang paling tepat terhadap konteks telah terpecahkan dengan Information Retrieval.

Dalam hal ini, penyajian Ads yang paling relevan dapat ditangani menggunakan salah satu pendekatan dalam ilmu Informatin Retrieval yaitu Conventional dan unconventional.

  • conventional : dengan cara membangun sebuah query yang menjelaskan tentang konteks, kemudian query tersebut di eksekusi dalam sebuah “inverted index” Ads yang besar. Sebuah Inverted Index adalah sebuah index struktur data  yang memetakan antara konten dengan lokasinya di database.
  • Unconventional :
    • Teknik Query expansion  : Memformulasikan kembai query asal menggunakan synonim, membenarkan ejaan yang salah.
    • Teknik mengklasifikasikan teks: adalah dengan memasukan Ads dan atau konteks kedalam beberapa kategori berdasarkan konten nya.

Pendekatan Infromation retrieval seharusnya digabungkan dengan kombinasi fitur semantic dan syntactic.

  • Komponen semantic: mencocokan dengan maksud kata. Komponen ini dapat ditangani dengan model Taksonomi distance. Konten dan Ads diklasifikasikan dalam sebuah topik taksonomi dan ditandai dengan distance (metrik) dalam sebuah kesamaan arti  berdasarkan pada sebuah  persamaan topologi.
  • Komponen syntactic :  mencocokan dengan urutan kata, maksud prase dan  kalimat. Komponen ini menghitung kesesuaian Ads berdasarkan kata atau prase yang sama dalam sebuah Ads dan Konteks. Hal ini dapat diatasi dengan menggunakan sebuah model vektor yang merepresentasikan konteks dengan Ads sebagai vektor dari Index. dan kemudian gunakan persamaan cosin untuk mengukur   persamaan dua vektor dengan menghitung cosin antara kedua nya dan menentukan apakah kedua vektor mengarah pada arah yang sama.

Computational Advertising adalah disiplin ilmu yang memiliki banyak teori yang belum terpetakan. Penelitian yang telah dilakukan hanya bagaimana cara yng lebih efektif dalam mencocokan Ads pada penerima Ads, tetapi kurang detail dan dangkal dalam memberikan solusi yang aktual. Hal ini mengindikasikan bahwa Computational Advertising merupakan tantangan yang cukupsulit.

 

Leave a Reply

Your email address will not be published. Required fields are marked *