Ανάπτυξη ευφυούς πράκτορα για διαδικτυακές δημοπρασίες διαφημίσεων

Θεοδωρόπουλος, Σπύρος - Χριστόφορος; Theodoropoulos, Spyros - Christoforos

dc.contributor.author	Θεοδωρόπουλος, Σπύρος - Χριστόφορος	el
dc.contributor.author	Theodoropoulos, Spyros - Christoforos	en
dc.date.accessioned	2016-09-09T13:20:20Z
dc.date.available	2016-09-09T13:20:20Z
dc.date.issued	2016-09-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43476
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12585
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Intelligent agents	en
dc.subject	Online advertising	en
dc.subject	Ad exchanges	en
dc.subject	Trading agent competition (TAC)	en
dc.subject	Auctions	en
dc.subject	Ευφυείς πράκτορες	el
dc.subject	Διαδικτυακή διαφήμιση	el
dc.subject	Δημοπρασίες	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Μηχανική μάθηση	el
dc.title	Ανάπτυξη ευφυούς πράκτορα για διαδικτυακές δημοπρασίες διαφημίσεων	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-18
heal.abstract	Ο σκοπός της διπλωματικής εργασίας ήταν η ανάπτυξη ενός ευφυούς πράκτορα λογισμικού στο ρόλο ενός διαφημιστικού δικτύου (Ad Network) σε μια κεντρική αγορά διαφημίσεων (Ad Exchange). Ο πράκτορας αναπτύχθηκε για το περιβάλλον προσομοίωσης του διαγωνισμού TAC AdX '16 στον οποίο και έλαβε μέρος κερδίζοντας την πρώτη θέση. Ο διαγωνισμός απαιτούσε την υλοποίηση τριών διαφορετικών στρατηγικών: στρατηγική για την ανάληψη διαφημιστικής εκστρατείας, για την αγορά διαφημιστικού χώρου (εντυπώσεις) και για την αγορά δεδομένων για τους χρήστες του διαδικτύου. Οι στρατηγικές αυτές αφορούν δημοπρασίες δεύτερης τιμής με ανώτατη και κατώτατη τιμή, δεύτερης τιμής μόνο με κατώτατη τιμή και γενικευμένες δεύτερης τιμής αντίστοιχα. Τη σχεδιαστική πρόκληση αποτελεί η μεγιστοποίηση του κέρδους του πράκτορα ταυτόχρονα με την επαρκή ικανοποίηση των συμβολαίων. Για την ανάληψη εκστρατειών προβλέπεται η πιθανότητα νίκης στη δημοπρασία με χαμηλό ποντάρισμα σε μορφή χρονοσειράς και γίνεται φιλτράρισμα των ζημιογόνων εκστρατειών με τη μέθοδο AdaBoostΜ1 πάνω σε δεδομένα από ελεγχόμενες προσομοιώσεις. Ανάλογα με αυτήν την πιθανότητα ο πράκτορας ποντάρει επιθετικά ή συντηρητικά. Για την αγορά εντυπώσεων μεγιστοποιείται το συνολικό μακροπρόθεσμο κέρδος του πράκτορα με βάση ιστορικό ελεγχόμενων πειραμάτων και προσαρμόζεται το ποντάρισμα ανάλογα με την επιθετικότητα των ανταγωνιστών του με πρόβλεψη Naive Bayes. Τέλος το ποντάρισμα για την πληροφορία αντιμετωπίζεται ως χρονοσειρά επιλέγοντας τυχαίες τιμές γύρω από ένα μεταβλητό σταθερό επίπεδο. Οι προσομοιώσεις ελέγχου αλλά και ο διαγωνισμός έδειξαν ότι ο πράκτορας είναι ιδιαίτερα σταθερός και προσαρμοστικός, καταφέρνοντας να αναλύσει το περιβάλλον της αγοράς ώστε να πάρει καλές αποφάσεις.	el
heal.abstract	The purpose of this thesis was the development of an intelligent software agent to act as an Ad Network in an Ad Exchange market. The agent was developed for the TAC AdX '16 competition environment, in which it later took part achieving the first place. The competition required the implementation of three different strategies: campaign bidding, impression bidding and User Classification Service bidding. These regard second-price auctions with high and low reserve price, with only low reserve price and generalized second price auctions respectively. The challenge for the designer is the maximization of profit, while completing all contracts to a satisfactory degree. For the campaign bidding, the probability of winning the auction with a small bid is predicted in the form of a time series while unprofitable campaigns are screened out using the AdaBoostM1 method on experiment-based data. Depending on this probability the agent bids aggressively or conservatively. For buying impressions the long-term total expected profit is maximized based again on a history of controlled experiments. The bid is then adjusted according to the aggressiveness of other competitors using the Naive Bayes method. Finally, the UCS bid is formed as a random value around a predicted base level. The testing simulations as well as the competition show that the agent is both robust and adaptive as it manages to analyze the market environment and make good decisions.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	true