Neuronale Netze zur Optimierung kontextsensitiver Online-Werbung
Wie Neuronale Netze eingesetzt werden können um kontextsensitive Online Werbung automatisch auf optimale Konversionsraten zu optimieren.
Inhaltsverzeichnis |
Kontextsensitive Online Werbung
Kontextsensitive Text-Ad Werbung auf Webseiten ist spätestens seit Google Adsense eingeführt hat eine der wichtigsten Werbeformen im Internet geworden, und von grossen wie kleinen Portalen kaum noch wegzudenken. Viele Affiliate Systeme haben nachgezogen, und so gibt es inzwischen kontextsensitive Werbung von einer vielzahl von Anbietern.
Dennoch sind die Verfahren die zur Auswahl der angezeigten Werbung verwendet werden relativ simpel gestrickt, und weit davon entfernt optimale Ergebnisse zu erzielen. Webmaster die sich Gedanken über ihre Besuchergruppen und deren Interessen machen, sind oftmals in der Lage bessere Entscheidungen über anzuzeigende Onlinewerbung zu treffen, als dies die existierenden automatischen Verfahren tun.
Wenn z.B. in einem Forum, das Onlinerollenspiele wie World of Warcraft zum Thema hat, über Probleme mit NVidia Grafikkarten diskutiert wird, dann sind aller wahrscheinlichkeit nach, Online-Ads zu den Themen "World of Warcraft" und "NVidia" nicht die optimalen Angebote die einen Besucher dieser Seite interessieren.
Mit einem Neuronalen Netzwerk ist es möglich in einem automatisierten Lernverfahren die Auslieferung kontextsensitiver Online Werbung erheblich zu optimieren. Davon haben alle etwas: Der Webmaster, der erhöhte Umsätze verzeichnen wird. Die Besucher, da sie für sie interessantere Werbung erhalten, und nicht zuletzt für den Betreiber des Systems für kontextsensitive Werbung.
Neuronale Netze
Neuronale Netze sind ein vielfältig einsetzbares Verfahren aus dem Bereich der künstlichen Intelligenz. Sie werden in verschiedenen Ausprägungen in vielen praxisrelevanten Bereichen eingesetzt - insbesondere wenn es darum geht, nicht eindeutige oder verrauschte Datenlagen zu analysieren. Sie werden u.A. in den Bereich der Bild, Schrift- und Spracherkennnung, sowie in der Vorhersage von Börsenkursen verwendet, und sind in vielen Fällen erfolgreicher als andere Verfahren.
Überwachtes Lernen
Ein Neuronales Netzwerk muss trainiert werden um sinnvolle Entscheidungshilfen liefern zu können. Man muss ein gegebenes Neuronales Netzwerk mit einer Vielzahl von positiven wie auch negativen Beispielen über die Art von Problemen füttern, die es später allgemein lösen können soll.
Der Interessante Punkt ist in diesem Fall, dass die Erkenntnisse die ein Neuronales Netz gewinnt auch komplexe Beziehungen mit einbeziehen die bei einer einfachen statistischen Analyse unberücksichtigt bleiben würden.
Das heisst, um einem Neuronalen Netzwerk beibringen zu können, Onlinewerbung zu optimieren, muss man zunaechst einmal Daten sammeln - in diesem Fall heisst das, Werbung auf bekannten (gespiderten) Webseiten einblenden und für jede Webseite und jede eingeblendete Werbemassnahme aufzeichnen ob diese über- oder unterdurchschnittliche Erfolge erzielte.
Sobald ein geeignetes Neuronales Netz mit diesen Daten trainiert wurde, ist es in der Lage zu gegebenen Webseiten, diejenigen Werbemassnahmen zu ermitteln die die beste Konversionswahrscheinlichkeit haben.
Kombinatorische Explosion der Komplexität
Bei der Verwendung eines Neuronalen Netzes zu solchen Zwecken kommt es normalerweise jedoch leider zu einer kombinatorischen Explosion der Komplexitität, was den Einsatz unpraktikabel, da viel zu langsam macht.
Für dieses Problem habe ich jedoch eine praktikable Lösung gefunden die diese kombinatorische Explosion ohne nennenswerte Nachteile vermeidet, so dass der Realisierung eines solchen Systems keine Hindernisse mehr im Weg stehen sollten.