KR20230100266A - 광고 방법 및 장치 - Google Patents

광고 방법 및 장치 Download PDF

Info

Publication number
KR20230100266A
KR20230100266A KR1020210189998A KR20210189998A KR20230100266A KR 20230100266 A KR20230100266 A KR 20230100266A KR 1020210189998 A KR1020210189998 A KR 1020210189998A KR 20210189998 A KR20210189998 A KR 20210189998A KR 20230100266 A KR20230100266 A KR 20230100266A
Authority
KR
South Korea
Prior art keywords
action
advertisement
advertising
advertiser
state
Prior art date
Application number
KR1020210189998A
Other languages
English (en)
Inventor
김용완
민규식
Original Assignee
주식회사 카카오
주식회사 카카오엔터프라이즈
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 카카오, 주식회사 카카오엔터프라이즈 filed Critical 주식회사 카카오
Priority to KR1020210189998A priority Critical patent/KR20230100266A/ko
Publication of KR20230100266A publication Critical patent/KR20230100266A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

광고 방법 및 장치가 개시된다. 일 실시 예에 따른 DSP 서버에서 수행되는 광고 방법은 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 사용자의 피처를 획득하는 단계, 연동된 복수의 광고주들 각각에 대응하여, 해당 광고주에 대응하여 강화 학습된 에이전트로부터 광고 목적에 관한 액션을 획득하는 단계, 및 복수의 광고주들에 대응하여 획득된 액션들에 대응하는 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는 단계를 포함할 수 있다.

Description

광고 방법 및 장치{ADVERTISING METHOD AND APPARATUS}
아래 실시예들은 광고 방법 및 장치에 관한 것으로, 구체적으로는 강화 학습을 이용한 광고 방법 및 장치에 관한 것이다.
광고란 누구인지를 확인할 수 있는 광고주가 고객의 태도나 행동에 영향을 주고 궁극적으로 자신의 상품을 구매하도록 하기 위한 목표로 매체를 통해 유료로 시행하는 정보 전달 활동이다. 광고는 고객이 구매와 같이 광고주의 비즈니스에 가치 있는 행위를 수행하는 것을 목표로 하며, 광고와 상호작용(예를 들어, 텍스트 광고 클릭, 동영상 광고 조회)한 고객이 광고의 목표가 되는 행위를 수행하는 것을 전환(conversion)이라고 한다. 광고의 목표가 되는 행위는 광고자에 의해 규정될 수 있고, 예를 들어 구매, 회원가입을 포함할 수 있다.
최근 검색 광고, 배너 광고, 리워드 광고, SNS 광고 등 다양한 온라인 광고 매체의 등장으로 다양한 매체를 이용한 다양한 형태의 광고 제공이 가능하게 되었다. 온라인 광고 매체는 종류에 따라 광고 집행 비용, 광고의 전환율, 광고가 노출되는 규모, 광고가 노출되는 고객의 성격 등 특성이 다양하게 나타날 수 있다. 이에, 다양한 매체의 특성과 광고를 위한 예산의 규모, 광고의 목표 등을 고려하여 한정된 예산에서 투자수익(return on investment, ROI)을 최대화하기 위한 광고 집행에 관한 기술의 개발이 요구되고 있다.
아래 실시 예들을 통해 광고주에 대응하는 광고 전략을 장기적 가치를 기준으로 최적화하여 제한된 광고 예산에서 광고를 효율적으로 집행할 수 있는 기술을 제공할 수 있다.
아래 실시 예들을 통해 광고를 요청한 사용자에게 장기적 광고 수익을 도출할 수 있는 광고 소재를 광고주 별로 선정하여, 실시간 입찰(real time bidding; RTB)에 참여시켜, 기대 수익이 높은 광고 소재가 해당 사용자에게 제공되는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측에 따른 서버에서 수행되는 광고 방법은 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 상기 사용자의 피처(feature)를 획득하는 단계; 연동된 복수의 광고주들 각각에 대응하여, 해당 광고주에 대응하여 강화 학습된 에이전트(agent)로부터, 상기 해당 광고주의 광고 예산 정보 및 상기 사용자의 피처(feature)를 포함하는 상태(state)에 대응하는 광고 목적에 관한 액션을 획득하는 단계; 및 상기 복수의 광고주들에 대응하여 획득된 액션들(actions)에 대응하는 상기 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는 단계를 포함한다.
상기 해당 광고주에 대응하여 강화 학습된 에이전트는 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여, 현재 상태에 대응하는 액션을 출력하도록 강화 학습된 뉴럴 네트워크를 포함할 수 있다.
상기 보상은 상기 해당 광고주에 대응하는 광고 송출로 인한 수익 및 상기 해당 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다.
상기 액션은 상기 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시하는 액션을 포함할 수 있다.
상기 액션을 획득하는 단계는 상기 해당 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 해당 광고주에 대응하는 액션으로 선택하는 단계를 포함할 수 있다.
상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다.
상기 광고 입찰 대상으로 출력하는 단계는 상기 복수의 광고주들 각각에 대응하여 획득된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하는 단계; 상기 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정하는 단계; 및 상기 입찰 가격들에 기초하여, 상기 광고 입찰 대상으로 결정된 광고 소재들 중 적어도 하나를 출력하는 단계를 포함할 수 있다.
일 측에 따른 서버에서 수행되는 강화 학습 기반 광고 방법은 연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처를 포함하는 상태(state)를 획득하는 단계; 상기 상태에 기초하여, 상기 광고주에 대응하는 광고 목적에 관한 액션(action)을 선택하는 단계; 상기 선택된 액션에 대응하는 상기 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하는 단계; 상기 선택된 액션에 의해 상기 상태가 다음 상태로 전환됨에 따른 보상을 획득하는 단계; 및 상기 보상에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계를 포함한다.
상기 보상은 상기 광고주에 대응하는 광고 송출로 인한 수익 및 상기 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다.
상기 액션을 선택하는 단계는 상기 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 광고주에 대응하는 액션으로 선택하는 단계를 포함할 수 있다.
상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다.
상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계는 상기 보상 및 감가율이 적용된 상기 다음 행동 가치 값에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계를 포함할 수 있다.
상기 다음 행동 가치 값은 상기 다음 상태 및 상기 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정되는 행동 가치 값을 포함할 수 있다.
상기 다음 상태는 상기 선택된 액션에 대응하는 광고 소재의 송출 여부 및 송출된 광고 소재에 대하여 사용자로부터 수신된 반응에 기초하여 결정될 수 있다.
상기 보상은 상기 수익이 클수록 큰 값으로 결정되고, 상기 비용이 작을수록 큰 값으로 결정될 수 있다.
상기 액션은 상기 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나를 지시할 수 있다.
일 측에 따른 서버는 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 상기 사용자의 피처(feature)를 획득하고, 연동된 복수의 광고주들 각각에 대응하여, 해당 광고주에 대응하여 강화 학습된 에이전트(agent)로부터, 상기 해당 광고주의 광고 예산 정보 및 상기 사용자의 피처를 포함하는 상태(state)에 대응하는 광고 목적에 관한 액션(action)을 획득하며, 상기 복수의 광고주들에 대응하여 획득된 액션들에 대응하는 상기 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는, 적어도 하나의 프로세서를 포함한다.
상기 해당 광고주에 대응하여 강화 학습된 에이전트는 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여, 현재 상태에 대응하는 액션을 출력하도록 강화 학습된 뉴럴 네트워크를 포함할 수 있다.
상기 보상은 상기 해당 광고주에 대응하는 광고 송출로 인한 수익 및 상기 해당 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다.
상기 액션은 상기 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시하는 액션을 포함할 수 있다.
상기 프로세서는, 상기 액션을 획득함에 있어서, 상기 해당 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 해당 광고주에 대응하는 액션으로 선택하고, 상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다.
상기 프로세서는, 상기 광고 입찰 대상으로 출력함에 있어서, 상기 복수의 광고주들 각각에 대응하여 획득된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하고, 상기 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정하며, 상기 입찰 가격들에 기초하여, 상기 광고 입찰 대상으로 결정된 광고 소재들 중 적어도 하나를 출력할 수 있다.
일 측에 따른 서버는 연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처(feature)를 포함하는 상태(state)를 획득하고, 상기 상태에 기초하여, 상기 광고주에 대응하는 광고 목적에 관한 액션(action)을 선택하고, 상기 선택된 액션에 대응하는 상기 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하고, 상기 선택된 액션에 의해 상기 상태가 다음 상태로 전환됨에 따른 보상을 획득하며, 상기 보상에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는, 적어도 하나의 프로세서를 포함한다.
상기 보상은 상기 광고주에 대응하는 광고 송출로 인한 수익 및 상기 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다.
상기 프로세서는, 상기 액션(action)을 선택함에 있어서, 상기 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 광고주에 대응하는 액션으로 선택하며, 상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다.
상기 프로세서는, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신함에 있어서, 상기 보상 및 감가율이 적용된 상기 다음 행동 가치 값에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신할 수 있다.
상기 다음 행동 가치 값은 상기 다음 상태 및 상기 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정되는 행동 가치 값을 포함할 수 있다.
상기 다음 상태는 상기 선택된 액션에 대응하는 광고 소재의 송출 여부 및 송출된 광고 소재에 대하여 사용자로부터 수신된 반응들에 기초하여 결정될 수 있다.
상기 보상은 상기 수익이 클수록 큰 값으로 결정되고, 상기 비용이 작을수록 큰 값으로 결정될 수 있다.
아래 실시 예들을 통해, 에이전트와 환경의 상호작용에 기초하여 수집된 데이터를 통해 학습을 수행하는 강화 학습 모델을 이용하여, 다양한 상황에 대해 장기 가치를 높이기 위한 방향으로 최적화된 광고 입찰 대상을 자동으로 추출할 수 있다.
아래 실시 예들을 통해 광고주 사이드의 효율을 고려한 입찰 전략을 취하는 DSP(demand side platform)를 제공할 수 있다.
도 1은 일 실시 예에 따른 광고 생태계(advertising ecosystem)의 블럭도이다.
도 2는 일 실시 예에 따른 서버에서 수행되는 광고 방법의 동작 흐름도이다.
도 3은 일 실시 예에 따른 DSP 서버의 구조를 예시한 도면이다.
도 4는 일 실시 예에 따른 강화 학습 모델을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 DSP 서버에서 수행되는 강화 학습 기반 광고 방법의 동작 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성의 예시도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시 예에 따른 광고 생태계(advertising ecosystem)의 블럭도이다.
도 1을 참조하면, 광고 생태계(100)는 광고 매체(publisher)(101)와 광고주(advertiser)(102)를 연결하는 네트워크로, 광고 매체(101) 측의 SSP(supply side platform) 서버(110) 및 광고주(102) 측의 DSP 서버(demand side platform)(120)를 포함할 수 있다.
SSP 서버(110)와 DSP 서버(120)는 RTB(real time bidding) 방식으로 광고 경매를 진행할 수 있다. RTB 방식은 광고 매체(101)의 광고 인벤토리를 판매하는 SSP 서버(110)와 광고가 게재될 광고 인벤토리를 구매하는 DSP 서버(120) 사이의 실시간 거래 방식에 해당할 수 있다. 광고 매체(101)는 광고주(102)가 광고를 소비자에게 전달하기 위하여 이용하는 커뮤니케이션 수단으로 예를 들어, 웹사이트, 어플리케이션, 동영상을 포함할 수 있으나 제한은 없다. 광고 인벤토리는 광고 매체(101)에서 광고가 게재되는 광고 공간 혹은 광고 지면으로, 예를 들어 웹 사이트의 특정 페이지 내 광고가 게재되는 특정 영역, 어플리케이션 내 광고가 게재되는 특정 영역을 포함할 수 있다.
광고주(102)는 DSP 서버(120)를 통해 광고 데이터를 등록할 수 있다. 광고주(102)는 광고의 송출을 요청하는 주체로, 자연인을 의미할 수도 있고, 광고주 측의 광고의 송출을 요청하고, DPS(120)에 송출 요청된 대상 광고의 광고 데이터를 등록하는 동작을 수행하는 전자 장치(예: 스마트폰, PC, 서버)를 의미할 수도 있다. 광고주(102)는 적어도 하나의 광고주를 포함할 수 있다. 광고 데이터는 광고 매체(101)를 통해 광고를 게재하기 위해 필요한 데이터로, 예를 들어 광고 소재, 입찰 방법, 입찰 가격, 광고 예산, 및/또는 타겟팅 조건 등을 포함할 수 있다. 광고 소재는 광고 매체(101)에 게재되는 광고의 컨텐츠로, 예를 들어 광고 문구, 광고 이미지, 광고 동영상 및 이들의 조합 등을 포함할 수 있다. 입찰 방법은 광고를 게재함에 따른 광고 비용의 과금 방식으로, 예를 들어 CPM(cost per mille), CPC(cost per click), CPI(cost per install), CPA(cost per action) 등을 포함할 수 있다.
SSP 서버(110)는 광고 매체(101)로부터 광고 인벤토리의 판매 요청을 수신할 수 있다. 광고 인벤토리의 판매 요청은 광고 인벤토리에 게재될 광고 소재를 요청하는 동작을 포함할 수 있다. 광고 인벤토리의 판매 요청에 반응하여, SSP 서버(110)는 DSP 서버(120)에 광고 인벤토리를 구매할 광고 소재들의 입찰을 요청할 수 있다.
DSP 서버(120)는 광고주(102)들로부터 판매하고자 하는 복수의 광고 소재들을 수신할 수 있으며, SSP 서버(110)의 입찰 요청에 반응하여 수신된 광고 소재들 중 입찰에 참여할 광고 입찰 대상을 결정할 수 있다. DPS 서버(120)는 SSP 서버(110)에 광고 입찰 대상을 제공하여, 광고 소재들의 입찰을 수행할 수 있으며, 광고 소재들의 입찰은 광고 인벤토리를 구매하고자 하는 광고 소재들을 입찰 가격과 함께 SSP 서버(110)에 제공하는 동작을 포함할 수 있다. 일 실시 예에 따른 DSP 서버(120)에서 광고 입찰 대상을 결정하는 동작은 이하에서 상술한다.
SSP 서버(110)는 입찰된 광고 소재들의 입찰 가격들을 고려하여, 높은 광고 수익을 낼 수 있는 광고 소재를 광고 인벤토리의 낙찰자로 선택할 수 있다. 선택된 광고 소재의 광고주(102)는 광고 인벤토리를 판매한 광고 매체(101)에 광고 소재를 게재함에 따른 광고 비용을 지불할 수 있다. 광고 비용은 광고 소재에 대응하여 결정된 입찰 가격 및 입찰 방법에 따라 책정될 수 있다. 예를 들어, 제1 광고 소재는 100원의 CPM으로 입찰 가격 및 입찰 방법이 결정된 경우, 1000회 노출 당 100원으로 광고 비용이 책정될 수 있고, 제2 광고 소재는 200원의 CPC로 입찰 가격 및 입찰 방법이 결정된 경우, 1회 클릭 당 200원으로 광고 비용이 책정될 수 있다.
일 예로, 광고 생태계(100)는 DMP(demand management platform) 서버(130)를 더 포함할 수 있다. DMP 서버(130)는DSP 서버(120)가 광고주(102)로부터 광고 소재를 수신하고 SSP 서버(110)에 광고 소재를 입찰하며 광고 매체(101)에 광고 소재를 게재하는 과정에서 발생한 데이터를 저장할 수 있다. 예를 들어, DMP 서버(130)는 광고를 집행하면서 발생하는 광고 요청, 노출, 클릭, 설치, 전환 로그 중 적어도 하나를 저장할 수 있다. 또한, DMP 서버(130)는 광고주(102)로부터 등록된 광고 데이터 및 광고를 요청한 사용자에 관한 데이터를 저장할 수 있다. 광고를 요청한 사용자에 관한 데이터는 광고 매체(101)에 유입되는 사용자들의 나이, 성별과 같은 사용자들의 식별 정보에 대응하는 피처(feature)를 포함할 수 있다.
도 2는 일 실시 예에 따른 서버에서 수행되는 광고 방법의 동작 흐름도이다.
일 실시 예에 따른 서버는 광고 방법을 수행하는 서버로, 예를 들어 도 1의 DSP 서버(120)에 대응될 수 있다. 이하에서 서버는 DSP 서버인 것으로 예를 들어 설명한다. 도 2를 참조하면, 일 실시 예에 따른 DSP 서버에서 수행되는 광고 방법은 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 사용자의 피처를 획득하는 단계(210), 연동된 복수의 광고주들 각각에 대응하여, 해당 광고주에 대응하여 강화 학습된 에이전트(agent)로부터 광고 목적에 관한 액션을 획득하는 단계(220), 및 복수의 광고주들에 대응하여 획득된 액션들에 대응하는 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는 단계(230)를 포함할 수 있다.
일 실시 예에 따른 단계(210)에서 광고 매체는 DSP 서버와 연동되는 SSP 서버(예를 들어, 도 1의 SSP 서버(110))에 광고 인벤토리의 판매를 요청한 광고 매체에 해당할 수 있으며, 예를 들어, 도 1의 광고 매체(101)를 포함할 수 있다. 사용자는 SSP 서버에 광고를 요청한 사용자로, 광고 인벤토리를 포함하는 웹사이트, 어플리케이션과 같은 광고 매체에 유입된 사용자에 해당할 수 있다. 광고 매체에 사용자가 유입된 경우, 해당 인벤토리에 게재될 광고의 요청이 발생할 수 있다. 사용자의 광고 요청은 SSP서버를 통해 DSP 서버에 수신될 수 있다.
일 실시 예에 따르면, 사용자의 피처는 DSP 서버를 포함하는 광고 생태계(예를 들어, 도 1의 광고 생태계(100))에서 수집 가능한 사용자의 식별 정보를 피처화한 데이터로, 예를 들어 나이, 성별, 광고 매체 접속 이력과 같은 미리 정해진 기준에 따른 분류 값들을 원소로 포함하는 행렬을 포함할 수 있다. DSP 서버는 피처 값에 기초하여 사용자를 구분하며, 일 예로 제1 사용자의 피처와 제2 사용자의 피처가 동일한 경우 제1 사용자와 제2 사용자는 동일한 사용자로 취급될 수 있다.
일 실시 예에 따른 단계(220)는 연동된 복수의 광고주들 각각에 대응하는 에이전트로부터, 복수의 광고주들 각각에 대응하는 액션을 획득하는 단계에 해당할 수 있다.
연동된 복수의 광고주들은 DSP 서버에 광고를 등록한 복수의 광고주들을 포함할 수 있다. 광고주는 DSP 서버를 통해 광고 예산 정보를 입력할 수 있으며, DSP 서버에는 광고주 별 광고 예산 정보가 저장될 수 있다. 일 예로, 광고 예산 정보는 DSP 서버 내 메모리에 저장될 수도 있고, DSP서버가 포함된 광고 생태계 내 데이터베이스(예를 들어, 도 1의 DMP 서버(130))에 저장될 수도 있다. 광고 예산 정보는 광고주가 광고 집행을 위하여 설정한 예산에서 광고 집행으로 인해 소요된 비용을 제외한 잔여 예산을 포함할 수 있다. 일 예로, 광고 예산 정보는 광고 목적 별 광고 예산 정보를 포함할 수 있다.
광고 목적은 광고 송출을 통해 달성하고자 하는 효과로, 예를 들어 브랜드 노출 증가, 광고주와 관련된 웹사이트, 어플리케이션과 같은 매체로의 유입 수 증가, 사용자의 구매, 설치, 가입과 같은 행동 유도 등을 포함할 수 있다. 광고 목적은 다양한 목적을 포함할 수 있으나, 이하에서 설명의 편의를 위해 광고 목적은 브랜드 노출 증가의 제1 광고 목적, 광고주와 관련된 매체로의 유입 수 증가의 제2 광고 목적 및 사용자의 행동 유도의 제3 광고 목적을 포함하는 것으로 예를 들어 설명한다.
광고 소재는 광고 목적에 대응될 수 있으며, 하나의 광고주에 대응하여 복수의 광고 목적들에 대응하는 복수의 광고 소재들이 포함될 수 있다. 예를 들어, 광고주의 광고 소재들은 제1 광고 목적에 대응하는 브랜딩용 광고 소재(예를 들어, 브랜드 이름에 관심을 집중시킬 수 있는 문구 및 이미지 등을 포함하는 컨텐츠), 제2 광고 목적에 대응하는 클릭용 광고 소재(예를 들어, 광고주의 웹 페이지 혹은 어플리케이션으로 연결되는 클릭 버튼을 포함하는 컨텐츠), 제3 광고 목적의 전환용 광고 소재(예를 들어, “지금 신규 가입하고 2000원 받자” 등의 문구를 포함한 이벤트성 컨텐츠, 혹은 단기 할인 쿠폰 제공 등의 이벤트성 컨텐츠)를 포함할 수 있다.
일 실시 예에 따른 DSP 서버는 복수의 광고주들 각각에 대응하는 광고에 관한 강화 학습 모델의 에이전트를 포함할 수 있다. 에이전트는 획득된 상태(state)에 기초하여 액션(action)을 출력하도록 강화 학습(reinforcement learning)된 뉴럴 네트워크(neural network)를 포함할 수 있다. 에이전트는 적어도 하나의 광고주에 대응하여 강화 학습된 뉴럴 네트워크를 포함할 수 있다. 일 예로, DSP서버는 제1 광고주에 대응하는 제1 에이전트, 제2 광고주에 대응하는 제2 에이전트, 및 제3 광고주와 제4 광고주에 대응하는 제3 에이전트를 포함할 수 있으며, 제1 에이전트, 제2 에이전트 및 제3 에이전트의 파라미터는 서로 다른 값을 가질 수 있다.
일 실시 예에 따르면, 특정 광고주에 대응하는 에이전트는 해당 광고주에 대응하여 강화 학습된 뉴럴 네트워크를 포함할 수 있다. 일 예로, 특정 광고주에 대응하여 강화 학습된 에이전트는 해당 광고주에 대응하여 획득된 상태에 대응하는 광고 목적에 관한 액션을 출력할 수 있다. 특정 광고주에 대응하여 획득된 상태는 광고 생태계에 대응하는 환경에서 관측된 정보에 기초하여 획득된 현재 시점의 상태로, 현재 상태로 지칭될 수 있다. 일 예로, 관측된 정보는 광고주에 대응하는 광고 예산 정보 및 사용자의 피처(feature)를 포함할 수 있다. 이 외에도 상태는 광고주의 업종, 광고 소재에 관한 정보 등 다양한 관측된 정보에 기초하여 결정될 수 있다. 이하에서는 설명의 편의를 위하여 획득된 상태는 광고주에 대응하는 광고 예산 정보 및 사용자의 피처를 포함하는 데이터로 예를 들어 설명한다. 해당 광고주의 광고 예산 정보 및 단계(210)에서 획득된 사용자의 피처를 포함할 수 있다. 특정 광고주에 대응하는 광고 목적에 관한 액션은 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시하는 액션을 포함할 수 있다.
일 실시 예에 따르면, 에이전트는 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여, 현재 상태에 대응하는 액션을 출력하도록 강화 학습된 뉴럴 네트워크를 포함할 수 있다. 미래 상태는 현재 시점 이후의 적어도 하나의 미래 시점에 대응하는 적어도 하나의 상태를 포함할 수 있다. 예를 들어, 현재 시점을 t라고 할 때, 미래 상태는 t+1 시점의 상태, t+2 시점의 상태 등을 포함할 수 있다. t시점의 상태는 임의의 액션에 의해 t+1 시점의 상태로 전환될 수 있으며, t+1 시점의 상태는 임의의 액션에 의해 t+2 시점의 상태로 전환될 수 있다. 일 실시 예에 따른 특정 광고주에 대응하여 강화 학습된 에이전트의 구체적인 학습 방법 및 동작에 관하여는 이하에서 상술한다.
일 실시 예에 따르면, 각 광고주에 대응하는 에이전트는 각 광고주에 대응하는 액션을 출력할 수 있으며, 액션은 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시할 수 있다. 예를 들어, 제1 광고주에 대응하는 광고 목적이 제1 광고 목적 및 제2 광고 목적을 포함하는 경우, 제1 광고주에 대응하는 에이전트에서 출력되는 액션은 제1 광고 목적을 지시하는 제1 액션, 제2 광고 목적을 지시하는 제2 액션, 및 제1 광고 목적 및 제2 광고 목적의 조합을 지시하는 제3 액션을 포함할 수 있다.
일 실시 예에 따른 DSP 서버는 복수의 광고주들 각각에 대응하는 에이전트로부터, 복수의 광고주들 각각에 대응하는 액션을 획득할 수 있다. 일 예로, N개의 광고주들에 대응하여 N개의 액션들을 획득할 수 있다.
일 실시 예에 따른 단계(220)는 해당 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 현재 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 후보 액션들 중 어느 하나를 해당 광고주에 대응하는 액션으로 선택하는 단계를 포함할 수 있다. 현재 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값은 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다. 이에 행동 가치 값의 추정에 관하여는 이하에서 상술한다.
일 실시 예에 따른 단계(230)는 단계(220)의 결과 획득된 복수의 광고주들에 대응하는 복수의 액션들에 기초하여, DSP 서버에 등록된 복수의 광고주들의 광고 소재들 중 적어도 일부를 광고 입찰 대상으로 출력하는 단계를 포함할 수 있다. 일 예로, 광고 입찰 대상은 SSP 서버에 제공될 수 있다. 상술한 바와 같이, 특정 광고주에 대응하여 획득된 액션은 해당 광고주에 대응하는 적어도 하나의 광고 목적을 지시할 수 있으며, 특정 광고주의 광고 소재들 각각은 특정 광고 목적에 대응될 수 있다. 특정 광고주에 대응하여 획득된 액션에 의해, 해당 액션이 지시하는 광고 목적의 광고 소재는 해당 광고주에 대응하는 광고 입찰 대상으로 결정될 수 있다. 광고 입찰 대상은 SSP 서버에서 광고 인벤토리에 게재될 광고 소재를 결정하기 위한 RTB(real time bidding)에 입찰되는 광고 소재에 해당할 수 있다. 복수의 광고주들 각각에 대응하여 획득된 액션에 대응하는 광고주들의 광고 소재들은 RTB를 위한 광고 입찰 대상에 포함될 수 있다. 광고 입찰 대상은 RTB를 위해 SSP서버에 제공될 수 있으며, SSP서버는 광고 입찰 대상에 포함된 광고 소재들 중 광고 요청이 수신된 광고 인벤토리에 게재될 광고를 선택할 수 있다.
일 실시 예에 따른 단계(230)는 복수의 광고주들 각각에 대응하여 획득된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하는 단계, 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정하는 단계 및 입찰 가격들에 기초하여, 광고 입찰 대상으로 결정된 광고 소재들 중 적어도 하나를 출력하는 단계를 포함할 수 있다. 다시 말해, DSP 서버는 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정할 수 있다. 광고 소재의 입찰 가격은 광고 송출을 위해 광고주가 지출해야 하는 비용에 해당할 수 있으며, 광고 목적에 대응하는 과금 방식에 기초하여 결정될 수 있다. 예를 들어, 과금 방식은 1000번 노출 당 비용인 CPM(cost per mille), 광고 소재의 클릭 1회 당 비용인 CPC(cost per click), 광고 소재로 인한 전환 발생 1회 당 비용인 CPA(cost per action), 광고 소재의 송출로 인한 어플리케이션, 프로그램 등의 설치 발생 1회 당 비용인 CPI(cost per install), 광고 소재의 송출로 인한 회원가입 발생 1회당 비용인 CPR(Cost Per Registration), 광고 소재의 송출로 인해 사용자가 광고주의 상품 또는 서비스에 지출한 금액에 따른 비용인CPS(cost per spending) 등을 포함할 수 있다.
광고 소재의 입찰 가격은 광고 목적에 대응하는 과금 방식에 따라 미리 정해진 방식으로 결정될 수 있다. 예를 들어, SSP 서버의 입찰 가격은 1000번 노출 당 가격인 eCPM인 경우, 제1 광고 목적의 광고 소재는 제1 광고 목적에 대응하는 CPM 과금 방식에 따라 광고 소재의 1000번 노출 당 x원으로 결정될 수 있고, CPM 과금 방식이 아닌 다른 과금 방식의 광고 소재의 입찰 가격은 eCPM으로 환산된 가격으로 결정될 수 있다. 예를 들어, 제2 광고 목적의 광고 소재는 제2 광고 목적에 대응하는 CPC 과금 방식에 따른 1회 클릭당 y원을 예측된 클릭률(predicted click-through rate; pCTR)에 기초하여 환산한 eCPM 값으로 결정될 수 있으며, 제3 광고 목적에 대응하는 광고 소재는 제3 광고 목적에 대응하는 CPA 과금 방식에 따른 1회 전환 발생 당 z원을 예측된 클릭률(pCTR) 및 예측된 전환율(predicted conversion rate; pCVR)에 기초하여 환산한 값으로 결정될 수 있다. 이 외에도 광고 소재의 입찰 가격은 다양한 환산 방식에 따라 결정될 수 있으며, 다양한 광고 목적의 광고 소재들의 입찰 가격은 동일한 단위의 입찰 가격으로 환산된 값으로 결정될 수 있다.
일 실시 예에 따른 DSP 서버는 광고 입찰 대상에 포함된 광고 소재들의 입찰 가격들에 기초한 랭킹에 따라 SSP 서버의 입찰에 참여할 적어도 하나의 광고 소재를 출력할 수 있다. 예를 들어, DSP 서버는 광고 입찰 대상에 포함된 광고 소재들의 입찰 가격의 내림차 순으로 상위 n개 혹은 상위 n%(여기서, n은 1 이상의 자연수)의 광고 소재를 SSP 서버의 입찰에 참여할 광고 소재로 출력할 수 있다.
도 3은 일 실시 예에 따른 DSP 서버의 구조를 예시한 도면이다.
도 3을 참조하면, DSP 서버(310)는 도 1의 DSP 서버(120)에 대응될 수 있다. DSP 서버(310)는 복수의 광고주들(314, 315, 316)에 대응하는 복수의 에이전트들(311, 312, 313)을 포함할 수 있다. 상술한 바와 같이, 복수의 에이전트들(311, 312, 313) 각각은 광고주들(314, 315, 316) 각각에 대응하여 강화 학습된 뉴럴 네트워크를 포함할 수 있다. 예를 들어, 에이전트 1(311)은 광고주 1(314)에 대응하여 강화 학습된 에이전트, 에이전트 2(312)은 광고주 2(315)에 대응하여 강화 학습된 에이전트, 에이전트 N(313)은 광고주 N(316)에 대응하여 강화 학습된 에이전트에 해당할 수 있다. 도 3은 하나의 에이전트는 하나의 광고주에 대응하는 경우를 도시하고 있으나, 상술한 바와 같이 하나의 에이전트는 복수의 광고주에 대응할 수도 있다.
일 실시 예에 따르면, DSP 서버(310)는 사용자의 피처(301)와 광고 예산 정보(302)를 획득할 수 있다. 일 예로, 사용자의 피처(301)와 광고 예산 정보(302)는 DSP 서버(310)가 포함된 광고 생태계(예를 들어, 도 1의 광고 생태계(100))에서 획득될 수 있다. 광고 예산 정보(302)는 복수의 광고주들(314, 315, 316) 각각에 대응하는 광고 예산 정보를 포함할 수 있으며, 상술한 바와 같이 특정 광고주에 대응하는 광고 예산 정보는 해당 광고주가 광고 집행을 위하여 설정한 예산에서 광고 집행으로 인해 소요된 비용을 제외한 잔여 예산을 포함할 수 있다.
일 실시 예에 따르면, 각 광고주에 대응하는 에이전트는 각 광고주에 대응하여 획득된 상태에 기초하여, 각 광고주에 대응하는 광고 목적에 관한 액션을 출력할 수 있다. 각 광고주에 대응하여 획득된 상태는 DSP 서버(310)에 입력된 사용자의 피처(301) 및 광고 예산 정보(302)를 포함할 수 있으며, 광고 예산 정보(302) 중 특정 광고주의 광고 예산 정보가 해당 광고주에 대응하는 에이전트에서 획득된 상태에 포함될 수 있다. 예를 들어, 에이전트 1(311)은 광고 예산 정보(302) 중 광고주 1(314)에 대응하는 광고 예산 정보 및 사용자의 피처(301)를 포함하는 상태에 기초하여, 광고주 1(314)에 대응하는 액션을 출력할 수 있다. 도 4는 사용자의 피처(301) 및 광고 예산 정보(302)에 기초하여 상태가 결정되는 경우를 도시하고 있으나, 상술한 바와 같이 상태는 사용자의 피처(301) 및 광고 예산 정보(302) 외에 광고주의 업종 등 다른 요소에 기초하여 결정될 수 있다.
일 실시 예에 따르면, 각 에이전트에서 액션이 획득될 수 있으며, 액션이 지시하는 광고 목적에 대응하는 광고 소재는 광고 입찰 대상(303)으로 결정될 수 있다. 예를 들어, 광고주 1(314)에 대응하는 에이전트 1(311)에서 획득된 액션은 광고 목적 P2를 지시할 수 있으며, 광고주 1에 대응하는 광고 소재들(321) 중 광고 목적이 P2인 광고 소재 A2가 광고 입찰 대상(303)으로 결정될 수 있다. 광고 입찰 대상(303)은 각 에이전트의 액션이 지시하는 광고 목적에 대응하는 각 광고주의 광고 소재를 포함할 수 있다.
일 실시 예에 따르면, 광고주에 대응하는 광고 소재들(321, 322, 323)은 DSP 서버(310)에 등록될 수 있으며, 광고 소재들은 대응하는 광고 목적의 정보를 포함할 수 있다. 예를 들어, 광고주 1(314)에 대응하는 광고 소재들(321)은 광고 목적 P1에 대응하는 광고 소재 A1, 광고 목적 P2에 대응하는 광고 소재 A2, 광고 목적 P3에 대응하는 광고 소재 A3을 포함할 수 있다.
일 실시 예에 따르면, 동일한 광고 목적에 대응하는 복수의 광고 소재들을 포함할 수 있다. 예를 들어, 광고주 2(315)에 대응하는 광고 소재들(322)을 참조하면, 광고 목적 P1에 대응하여 복수의 광고 소재들 B1 및 B2가 포함될 수 있다.
일 실시 예에 따르면, 광고주마다 광고주에 대응하는 광고 목적이 상이할 수 있다. 광고주에 대응하는 광고 목적이 상이하다는 것은 광고주에 대응하여 등록된 광고 소재들의 광고 목적들이 서로 상이하다는 것을 의미할 수 있다. 예를 들어, 광고주 1(314) 및 광고주 2(315)에 등록된 광고 소재들은 광고 목적 P1, P2 및 P3 각각에 대응하는 광고 소재를 포함하고 있으므로, 광고주 1(314) 및 광고주 (315)에 대응하는 광고 목적들은 P1, P2 및 P3을 포함할 수 있다. 한편, 광고주 3(316)에 등록된 광고 소재들은P2 및 P3 각각에 대응하는 광고 소재를 포함하고 있으며, P1에 대응하는 광고 소재를 포함하고 있지 않으므로, 광고주 3(316)에 대응하는 광고 목적들은 P2 및 P3을 포함할 수 있다.
도 3에 도시되어 있지는 않으나, DSP 서버(310)는 광고 입찰 대상(303)으로 결정된 광고 소재들의 입찰 가격들을 결정하고, 결정된 입찰 가격에 기초하여 SSP 서버의 입찰에 참여할 적어도 하나의 광고 소재를 결정하는 랭킹 모듈을 더 포함할 수 있다. 이 경우, DSP 서버(310)의 출력은 광고 입찰 대상(303)에 포함된 광고 소재들 중 입찰 가격에 기초하여 선정된 적어도 하나의 광고 소재를 포함할 수 있다.
도 4는 일 실시 예에 따른 강화 학습 모델을 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시 예에 따른 강화 학습 모델(400)은 광고주에 대응하여 강화 학습된 모델로, 광고주에 대응하는 환경(environment)(410) 및 광고주에 대응하는 에이전트(agent)(420)를 포함할 수 있다. 에이전트(420)는 환경(410)으로부터 획득된 상태(state, St)(401)에 기초하여 액션(action, At)(403)을 출력할 수 있으며, 액션(403)에 의해 상태(401)의 전환을 야기할 수 있으며, 상태(401)의 전환에 따른 보상(reward, rt)(402)을 획득할 수 있다. 보상(402)은 에이전트(420)의 학습에 이용될 수 있다.
일 실시 예에 따른 에이전트(420)는 DSP 서버(예를 들어, 도 1의 DSP 서버(120), 혹은 도 3의 DSP 서버(310))에 포함되는 모듈로, 도 3에 도시된 바와 같이 DSP 서버(310)는 연동된 복수의 광고주들에 대응하는 복수의 에이전트(311, 312, 313)들을 포함할 수 있다. 일 실시 예에 따른 환경(410)은 DSP 서버, SSP 서버, 광고 매체 및 광고주를 포함하는 광고 생태계(예를 들어, 도 1의 광고 생태계(100))에 해당할 수 있다.
에이전트(420)는 환경(410)으로부터 관측된 정보에 기초하여 상태(401)를 획득할 수 있다. 일 실시 예에 따른 상태(401)는 환경(410)으로부터 관측되는 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처를 포함할 수 있다. 일 예로, 상태(401)는 이전 상태에서 선택된 액션에 관한 정보를 더 포함할 수 있다. 또 일 예로, 상태(401)는 이전 상태에 포함된 사용자의 피처와 현재 상태(401)에 포함된 사용자의 피처가 동일한 경우, 이전 상태에서 선택된 액션에 관한 정보를 더 포함할 수 있다.
강화 학습 모델(400)의 보상(402)은 에이전트(420)의 학습에 이용되는 정보로, 현재 상태에서 액션(403)에 의해 전환되는 다음 상태에 대응하여 획득될 수 있다. 현재 상태에서 에이전트(420)에서 결정된 액션(403)에 의해 다음 상태로의 전환이 발생할 수 있다. 일 실시 예에 따르면, 보상(402)은 광고주에 대응하는 광고 송출로 인한 수익 및 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다. 보상(402)은 광고 송출로 인한 수익이 클수록 큰 값으로 결정될 수 있으며, 광고 송출로 인한 비용이 작을수록 큰 값으로 결정될 수 있다. 예를 들어, 보상(402)은 광고 송출로 인한 수익을 광고 송출로 인한 비용으로 나눈 값인 ROAS(return on ad spending)로 결정될 수 있다.
일 실시 예에 따르면, 광고 송출로 인한 수익은 광고 목적 및/또는 광고 소재에 대응하여 미리 정해진 규칙에 따라 결정될 수 있다. 예를 들어, 구매 증가 목적의 광고 소재의 경우, 해당 광고 소재를 수신한 사용자의 상품 구매액을 수익으로 결정하는 것으로 수익 산출을 위한 규칙이 정의될 수 있다. 결정된 규칙에 의할 때, 구매 증가 목적의 광고 소재를 수신한 사용자의 상품 구매액이 10000원인 경우, 10000원이 광고 송출로 인한 수익으로 결정될 수 있다.
일 실시 예에 따르면, 광고 송출로 인한 수익은 송출된 광고 소재를 수신한 사용자로부터 수신된 해당 광고 소재에 대한 반응에 기초하여, 해당 광고 소재의 광고 목적에 대응하여 미리 정해진 값으로 결정될 수 있다. 예를 들어, 제1 광고 목적의 광고 소재의 광고 송출로 인한 수익은 사용자에게 해당 광고 소재가 광고 매체를 통해 노출된 경우 1원으로 결정될 수 있고, 제2 광고 목적의 광고 소재의 광고 송출로 인한 수익은 사용자에게 해당 광고 소재가 노출되고, 사용자에 의해 클릭된 경우 100원으로 결정될 수 있으며, 제3 광고 목적의 광고 소재의 광고 송출로 인한 수익은 해당 광고 소재가 사용자에게 노출되고, 사용자의 전환 액션이 발생한 경우 1000원으로 결정될 수 있다.
일 실시 예에 따른 광고 송출로 인한 비용은 송출된 광고 소재의 광고 목적에 대응하여 미리 정해진 값으로 결정될 수 있으며, 혹은 미리 정해진 규칙에 기초하여 결정될 수도 있다. 미리 정해진 값은 광고 소재의 입찰 가격에 해당할 수 있다. 일 예로, 미리 정해진 규칙은 광고주가 설정한 입찰 가격에 특정 기준에 따라 할인율을 부과하는 규칙을 포함할 수 있다. 상술한 바와 같이 입찰 가격은 광고 목적에 대응하여 미리 정해진 값 혹은 미리 정해진 규칙에 따라 결정될 수 있다.
일 실시 예에 따르면, 제1 광고 목적의 광고 소재는 송출에 의하여 해당 광고 소재가 사용자에게 노출되는 경우 광고 송출로 인한 수익 및 비용이 발생하는 한편, 제2 광고 목적 및 제3 광고 목적의 광고 소재의 경우 송출에 의하여 해당 광고 소재가 사용자에게 노출되더라도 사용자의 광고 목적에 대응하는 반응이 수신되지 않으면 광고 송출로 인한 수익 및 비용이 발생하지 않을 수 있다. 일 예로, 제2 광고 목적의 광고 소재는 사용자에 의해 클릭되지 않으면 광고 송출로 인한 비용 및 수익이 발생하지 않을 수 있으며, 이 경우 보상은 0으로 획득될 수 있다. 또 일 예로, 제3 광고 목적의 광고 소재는 사용자의 전환 행동이 발생하지 않으면 광고 송출로 인한 비용 및 수익이 발생하지 않을 수 있으며, 이 경우 보상은 0으로 획득될 수 있다.
일 실시 예에 따르면, 송출되는 광고 소재는 복수의 광고 소재들을 포함할 수 있으며, 복수의 광고 소재들은 서로 다른 광고 목적에 대응될 수 있다. 보상(402)은 복수의 광고 소재들의 광고 송출로 인한 수익의 총합 및 복수의 광고 소재들의 광고 송출로 인한 비용의 총합에 기초하여 결정될 수 있다. 예를 들어, 보상(402)이 ROAS로 정의된 경우, 보상은 아래 수학식 1과 같이 복수의 광고 목적들에 대응하는 광고 송출로 인한 나타낼 수 있다.
Figure pat00001
수학식 1에서, reward는 보상, returnk는 광고 목적 k에 대응하는 광고 송출로 인한 수익, spendingk는 광고 목적 k에 대응하는 광고 송출로 인한 비용, nk는 광고 송출에 따른 광고 목적 k에 대응하는 사용자의 반응 횟수를 의미할 수 있다. imp는 브랜드 노출 증가의 제1 광고 목적, click는 광고주와 관련된 매체로의 유입 수 증가의 제2 광고 목적, 및 사용자의 행동 유도의 제3 광고 목적을 의미할 수 있다.
일 실시 예에 따른 액션(403)은 에이전트(420)에서 취할 수 있는 행동으로, 상술한 바와 같이 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나를 지시하는 액션을 포함할 수 있다. 에이전트(420)는 현재 상태 이후의 미래 상태들에 대한 장기적인 보상을 최대화하기 위한 최적의 액션을 결정하도록 학습될 수 있다. 보다 구체적으로, 에이전트(402)는 사용자의 광고 요청이 수신되면, 환경(410)에서 관측되는 광고를 요청한 사용자의 피처 및 광고주에 대응하는 광고 예산 정보를 포함하는 상태(401)에 대응하여, 가장 높은 행동 가치 값을 줄 것으로 예상되는 광고 목적 혹은 광고 목적의 조합을 액션(403)으로 출력하도록 학습될 수 있다.
현재 상태에서 특정 액션을 취한 경우의 행동 가치 값 혹은 현재 상태 및 특정 액션에 대응하는 행동 가치 값은 벨만 방정식에 기초하여 추정될 수 있다. 현재 상태(s) 및 특정 액션(a)에 대응하는 행동 가치 값(Qπ(s, a)) 추정을 위한 벨만 방정식은 아래 수학식 2와 같이 나타낼 수 있다.
Figure pat00002
수학식 2에서, Gt는 t 시점의 반환 값, Rt는 t 시점의 보상, γ는 미래 시점의 보상에 대한 감가율, π는 특정 상태에서 취할 수 있는 액션을 선택할 확률 분포를 의미할 수 있다.
일 실시 예에 따른 에이전트(420)는 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 현재 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 후보 액션들 중 어느 하나를 선택 및 출력할 수 있다. 후보 액션은 에이전트(420)가 현재 상태에서 취할 수 있는 액션들로, 광고주에 대응하는 광고 목적에 기초하여 결정될 수 있다. 수학식 2에 따르면, 현재 상태(s)에서 특정 후보 액션(a)을 취하는 경우의 행동 가치 값(Q(s, a))은 특정 후보 액션(a)에 의하여 전환되는 다음 상태에 대응하여 획득된 보상(Rt+1) 및 감가율이 적용된 미래 상태에 대응하는 보상의 합(Gt+1)에 대한 기대 값에 기초하여 추정될 수 있다.
일 실시 예에 따르면, 에이전트(420)는 학습에 의해 각 상태 및 각 액션에 대응하는 행동 가치 값의 추정 값을 포함할 수 있으며, 획득된 현재 상태에서 취할 수 있는 후보 액션들 중 행동 가치 값이 가장 높은 후보 액션을 현재 상태에서 취할 액션(403)으로 선택할 수 있다. 수행될 액션(403)이 선택된 경우, 현재 상태 및 선택된 액션에 대응하는 행동 가치 값은 액션(403)에 의해 다음 상태로 전환됨으로써 획득된 보상 및 다음 상태 행동 가치 값에 기초하여, 갱신될 수 있다. 다음 행동 가치 값은 다음 상태 및 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정될 수 있다.
일 예로, 현재 상태(s) 및 선택된 액션(a)에 대응하는 행동 가치 값(Q(s, a))은 아래의 수학식 3과 같이 다음 상태 및 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들 중 가장 높은 행동 가치 값에 기초하여 갱신될 수 있다.
Figure pat00003
수학식 3에서 s'는 다음 상태, a'은 다음 상태에서 취할 수 있는 후보 액션, γ는 감가율, Rs a는 현재 상태(s)에서 선택된 액션(a)에 의하여 전환된 다음 상태(s')에 대응하여 획득된 보상을 의미할 수 있다.
일 실시 예에 따르면, 현재 상태(401)에 대응하여 에이전트(420)에서 선택된 액션(403)의 수행에 의하여 다음 상태로 전환될 수 있으며, 다음 상태로 전환됨에 따른 보상이 결정될 수 있다. 액션(403)의 수행에 의하여 환경(410)이 변화될 수 있으며, 변화된 환경(410)에 기초하여 다음 상태에 포함되는 광고 예산 정보 및/또는 사용자의 피처가 결정될 수 있다. 예를 들어, 액션(403)의 수행에 의하여 광고 입찰 대상으로 결정된 광고 소재가 사용자에게 송출되어, 광고 송출로 인한 비용이 발생한 경우, 광고주의 광고 예산 정보에서 광고 송출로 인한 비용이 차감될 수 있으며, 이로 인하여 환경(410)의 변화가 야기될 수 있다. 일 실시 예에 따르면, 액션(403)의 수행에 의하여 광고 입찰 대상으로 결정된 광고 소재는 RTB에서 낙찰자로 선정되지 않을 수도 있으며, 이 경우 광고 소재는 사용자에게 송출되지 않으므로 광고 송출로 인한 비용 및 수익이 발생하지 않을 수 있다.
도 5는 일 실시 예에 따른 DSP 서버에서 수행되는 강화 학습 기반 광고 방법의 동작 흐름도이다.
일 예로, DSP 서버는 도 1의 DSP 서버(120) 혹은 도 3의 DSP 서버(310)에 대응될 수 있다. 또 일 예로, DSP 서버에서 수행되는 강화 학습 기반 광고 방법은 DSP서버에 포함된 광고주에 대응하는 에이전트(예를 들어, 도 3의 에이전트 1(311), 에이전트 2(312), 에이전트 3(313), 혹은 도 4의 에이전트(420))의 동작에 해당할 수 있다.
도 5를 참조하면, 일 실시 예에 따른 DSP 서버에서 수행되는 강화 학습 기반 광고 방법은 연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처를 포함하는 상태를 획득하는 단계(510), 획득된 상태에 기초하여, 광고주에 대응하는 광고 목적에 관한 액션을 선택하는 단계(520), 선택된 액션에 대응하는 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하는 단계(530), 선택된 액션에 의해 획득된 상태가 다음 상태로 전환됨에 따른 보상을 획득하는 단계(540) 및 획득된 보상에 기초하여, 획득된 상태 및 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계(550)를 포함할 수 있다.
상술한 바와 같이, 보상은 광고주에 대응하는 광고 송출로 인한 수익 및 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다. 예를 들어, 미리 정해진 보상은 ROAS를 포함할 수 있다.
일 실시 예에 따른 단계(510)는 DSP서버를 포함하는 광고 생태계(예를 들어, 도 1의 광고 생태계(100))에 대응되는 환경(예를 들어, 도 4의 환경(410))에서 관측된 정보에 기초하여 획득된 현재 시점의 상태를 획득하는 단계를 포함할 수 있다. 단계(510)에서 획득된 상태는 현재 상태에 해당할 수 있다.
일 실시 예에 따른 단계(520)는 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여, 현재 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 후보 액션들 중 어느 하나를 광고주에 대응하는 액션으로 선택하는 단계를 포함할 수 있다. 상술한 바와 같이, 현재 상태에서 특정 후보 액션을 취하는 경우의 행동 가치 값은 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정될 수 있다.
일 예로, 다음 상태는 선택된 액션에 대응하는 광고 소재의 송출 여부 및 송출된 광고 소재에 대하여 사용자로부터 수신된 반응에 기초하여 결정될 수 있다.
예를 들어, 광고주에 대응하는 광고 목적이 제1 광고 목적 및 제2 광고 목적을 포함하는 경우, 복수의 후보 액션들은 제1 광고 목적을 지시하는 제1 액션, 제2 광고 목적을 지시하는 제2 액션 및 제1 광고 목적과 제2 광고 목적의 조합을 지시하는 제3 액션을 포함할 수 있다. 일 예로, 제2 후보 액션에 의하여 제2 광고 목적의 광고 소재가 광고 입찰 대상으로 결정될 수 있으며, 제2 광고 목적의 광고 소재가 최종 낙찰되어 사용자에게 송출되는지 여부 및 송출된 경우 사용자가 송출된 광고 소재를 클릭하는지 여부에 기초하여 다음 상태가 결정될 수 있으며, 결정된 다음 상태에 따른 보상이 결정될 수 있다. 제2 광고 목적의 광고 소재가 낙찰되지 않아 송출되지 않거나, 낙찰되어 송출은 되었으나 사용자가 클릭하지 않은 경우 광고 송출로 인한 수익 및 비용이 발생하지 않을 수 있으며, 이 경우 다음 상태의 전환에 따른 보상은 0 혹은 해당 다음 상태에 대응하여 미리 정해진 값으로 결정될 수 있다. 또 일 예로, 제1 광고 목적의 광고 소재의 경우 광고 송출에 의하여 사용자에게 노출되는 경우 광고 송출로 인한 수익 및 비용이 발생하므로, 광고 송출 여부에 기초하여 다음 상태가 결정될 수 있다.
일 실시 예에 따른 단계(530)는 광고주에 대응하여 등록된 광고 소재들 중 선택된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하는 단계를 포함할 수 있다. 특정 광고주에 대응하여, 동일한 광고 목적에 해당하는 복수의 광고 소재가 있을 수 있으며, 선택된 액션이 지시하는 광고 목적이 복수 개일 수 있으므로, 광고 입찰 대상으로 결정되는 광고 소재는 복수 개일 수 있다.
일 실시 예에 따른 단계(540)는 현재 상태에서 단계(530)에서 선택된 액션에 의해 다음 상태로 전환됨에 따라 발생하는 보상을 획득하는 단계를 포함할 수 있다. 상술한 바와 같이, 보상은 현재 상태에서 액션(403)에 의해 전환되는 다음 상태에 대응하여 획득될 수 있으며, 광고주에 대응하는 광고 송출로 인한 수익 및 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정될 수 있다.
일 실시 예에 따른 단계(550)는 단계(540)에서 획득된 보상 및 감가율이 적용된 다음 행동 가치 값에 기초하여, 현재 상태 및 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계를 포함할 수 있다. 다음 행동 가치 값은 다음 상태 및 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정되는 값을 포함할 수 있다. 일 예로, 수학식 3에서 상술한 바와 같이 다음 상태 및 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들 중 가장 높은 행동 가치 값에 기초하여 갱신될 수 있다.
도 6은 일 실시예에 따른 서버의 구성의 예시도이다.
도 6을 참조하면, 서버(600)는 프로세서(601), 메모리(603) 및 통신 모듈(605)를 포함한다. 일 실시 예에 따른 서버(600)는 도 1 내지 도 5을 통하여 전술한 DSP서버를 포함할 수 있다.
일 실시 예에 따른 프로세서(601)는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 광고 방법의 동작을 수행할 수 있다. 예를 들어, 프로세서(601)는 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 사용자의 피처를 획득하는 동작, 연동된 복수의 광고주들 각각에 대응하여, 해당 광고주에 대응하여 강화 학습된 에이전트로부터 광고 목적에 관한 액션을 획득하는 동작, 및 복수의 광고주들에 대응하여 획득된 액션들에 대응하는 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는 동작 중 적어도 하나를 수행할 수 있다. 또 예를 들어, 프로세서(601)는 연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처를 포함하는 상태를 획득하는 동작, 획득된 상태에 기초하여, 광고주에 대응하는 광고 목적에 관한 액션을 선택하는 동작 및 선택된 액션에 대응하는 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하는 동작 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 메모리(603)는 휘발성 메모리 또는 비휘발성 메모리일 수 있으며, 도 1 내지 도 5를 통하여 전술한 광고 방법에 관한 데이터를 저장할 수 있다. 일 예로, 메모리(603)는 광고 방법의 수행 과정에서 발생한 데이터 혹은 광고 방법을 수행하기 위하여 필요한 데이터를 저장할 수 있다. 예를 들어, 메모리(603)는 연동된 광고주에 대응하여 등록된 광고 소재에 관한 정보 및 연동된 광고주에 대응하는 강화 학습된 에이전트의 파라미터(들)을 저장할 수 있다.
일 실시 예에 따른 통신 모듈(605)은 네트워크를 통해 서버(600)가 다른 전자 기기 또는 다른 서버와 통신하기 위한 기능을 제공할 수 있다. 다시 말해, 서버(600)는 통신 모듈(605)를 통하여 외부 장치(예를 들어, 광고주의 단말, SSP 서버 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 예를 들어 서버(600)는 통신 모듈(605)를 통해 광고 생태계(예를 들어, 도 1의 광고 생태계(100))에 포함된 SSP 서버와 데이터를 송수신할 수 있다. 또 예를 들어, 서버(600)는 통신 모듈(605)를 통해 광고의 송출을 요청한 광고주(예를 들어, 도 1의 광고주(102) 혹은 광고 매체(예를 들어, 도 1의 광고 매체(101))를 통해 광고를 요청한 사용자의 단말과 데이터를 송수신할 수 있다.
일 실시 예에 따르면, 메모리(603)는 도 1 내지 도 5를 통하여 전술한 광고 방법이 구현된 프로그램을 저장할 수 있다. 프로세서(601)는 메모리(603)에 저장된 프로그램을 실행하고, 서버(600)를 제어할 수 있다. 프로세서(601)에 의하여 실행되는 프로그램의 코드는 메모리(603)에 저장될 수 있다.
일 실시 예에 따른 서버(600)는 도시되지 않은 다른 구성 요소들을 더 포함할 수 있다. 예를 들어, 서버(600)는 통신 모듈(605)와의 인터페이스를 위한 수단으로 입력 장치 및 출력 장치를 포함하는 입출력 인터페이스를 더 포함할 수 있다. 또 예를 들어, 서버(600)는 트랜시버(transceiver), 각종 센서, 데이터베이스 등과 같은 다른 구성 요소들을 더 포함할 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (22)

  1. 서버에서 수행되는 광고 방법에 있어서,
    연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 상기 사용자의 피처(feature)를 획득하는 단계;
    연동된 복수의 광고주들 각각에 대응하여,
    해당 광고주에 대응하여 강화 학습된 에이전트(agent)로부터, 상기 해당 광고주의 광고 예산 정보 및 상기 사용자의 피처(feature)를 포함하는 상태(state)에 대응하는 광고 목적에 관한 액션을 획득하는 단계; 및
    상기 복수의 광고주들에 대응하여 획득된 액션들(actions)에 대응하는 상기 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는 단계
    를 포함하는,
    광고 방법.
  2. 제1항에 있어서,
    상기 해당 광고주에 대응하여 강화 학습된 에이전트는
    감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여, 현재 상태에 대응하는 액션을 출력하도록 강화 학습된 뉴럴 네트워크를 포함하고,
    상기 보상은 상기 해당 광고주에 대응하는 광고 송출로 인한 수익 및 상기 해당 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정되며,
    상기 액션은 상기 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시하는 액션을 포함하는,
    광고 방법.
  3. 제1항에 있어서,
    상기 액션을 획득하는 단계는
    상기 해당 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여,
    상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 해당 광고주에 대응하는 액션으로 선택하는 단계
    를 포함하고,
    상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정되는,
    광고 방법.
  4. 제1항에 있어서,
    상기 광고 입찰 대상으로 출력하는 단계는
    상기 복수의 광고주들 각각에 대응하여 획득된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하는 단계;
    상기 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정하는 단계; 및
    상기 입찰 가격들에 기초하여, 상기 광고 입찰 대상으로 결정된 광고 소재들 중 적어도 하나를 출력하는 단계
    를 포함하는,
    광고 방법.
  5. 서버에서 수행되는 강화 학습 기반 광고 방법에 있어서,
    연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처를 포함하는 상태(state)를 획득하는 단계;
    상기 상태에 기초하여, 상기 광고주에 대응하는 광고 목적에 관한 액션(action)을 선택하는 단계;
    상기 선택된 액션에 대응하는 상기 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하는 단계;
    상기 선택된 액션에 의해 상기 상태가 다음 상태로 전환됨에 따른 보상을 획득하는 단계; 및
    상기 보상에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계를 포함하는,
    광고 방법.
  6. 제5항에 있어서,
    상기 보상은
    상기 광고주에 대응하는 광고 송출로 인한 수익 및 상기 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정되는,
    광고 방법.
  7. 제5항에 있어서,
    상기 액션을 선택하는 단계는
    상기 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여,
    상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 광고주에 대응하는 액션으로 선택하는 단계
    를 포함하고,
    상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정되는,
    광고 방법.
  8. 제5항에 있어서,
    상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계는
    상기 보상 및 감가율이 적용된 다음 행동 가치 값에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는 단계
    를 포함하고,
    상기 다음 행동 가치 값은
    상기 다음 상태 및 상기 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정되는 행동 가치 값을 포함하는,
    광고 방법.
  9. 제5항에 있어서,
    상기 다음 상태는
    상기 선택된 액션에 대응하는 광고 소재의 송출 여부 및 송출된 광고 소재에 대하여 사용자로부터 수신된 반응에 기초하여 결정되는,
    광고 방법.
  10. 제5항에 있어서,
    상기 보상은
    상기 수익이 클수록 큰 값으로 결정되고, 상기 비용이 작을수록 큰 값으로 결정되는,
    광고 방법.
  11. 제5항에 있어서,
    상기 액션은
    상기 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나를 지시하는,
    광고 방법.
  12. 하드웨어와 결합되어 제1항 내지 제11항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  13. 연동된 광고 매체를 통해 수신되는 사용자의 광고 요청에 반응하여, 상기 사용자의 피처(feature)를 획득하고,
    연동된 복수의 광고주들 각각에 대응하여,
    해당 광고주에 대응하여 강화 학습된 에이전트(agent)로부터, 상기 해당 광고주의 광고 예산 정보 및 상기 사용자의 피처를 포함하는 상태(state)에 대응하는 광고 목적에 관한 액션(action)을 획득하며,
    상기 복수의 광고주들에 대응하여 획득된 액션들에 대응하는 상기 광고주들의 광고 소재들을 광고 입찰 대상으로 출력하는,
    적어도 하나의 프로세서
    를 포함하는,
    서버.
  14. 제13항에 있어서,
    상기 해당 광고주에 대응하여 강화 학습된 에이전트는
    감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여, 현재 상태에 대응하는 액션을 출력하도록 강화 학습된 뉴럴 네트워크를 포함하고,
    상기 보상은 상기 해당 광고주에 대응하는 광고 송출로 인한 수익 및 상기 해당 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정되며,
    상기 액션은 상기 해당 광고주에 대응하는 복수의 광고 목적들 중 적어도 하나의 광고 목적을 지시하는 액션을 포함하는,
    서버.
  15. 제13항에 있어서,
    상기 프로세서는,
    상기 액션을 획득함에 있어서,
    상기 해당 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여,
    상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 해당 광고주에 대응하는 액션으로 선택하고,
    상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정되는,
    서버.
  16. 제13항에 있어서,
    상기 프로세서는,
    상기 광고 입찰 대상으로 출력함에 있어서,
    상기 복수의 광고주들 각각에 대응하여 획득된 액션이 지시하는 광고 목적의 광고 소재를 광고 입찰 대상으로 결정하고,
    상기 광고 입찰 대상으로 결정된 광고 소재들의 입찰 가격들을 결정하며,
    상기 입찰 가격들에 기초하여, 상기 광고 입찰 대상으로 결정된 광고 소재들 중 적어도 하나를 출력하는,
    서버.
  17. 연동된 광고주의 광고 예산 정보 및 광고를 요청한 사용자의 피처(feature)를 포함하는 상태(state)를 획득하고,
    상기 상태에 기초하여, 상기 광고주에 대응하는 광고 목적에 관한 액션(action)을 선택하고,
    상기 선택된 액션에 대응하는 상기 광고주의 적어도 하나의 광고 소재를 광고 입찰 대상으로 결정하고,
    상기 선택된 액션에 의해 상기 상태가 다음 상태로 전환됨에 따른 보상을 획득하며,
    상기 보상에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하는,
    적어도 하나의 프로세서
    를 포함하는,
    서버.
  18. 제17항에 있어서,
    상기 보상은
    상기 광고주에 대응하는 광고 송출로 인한 수익 및 상기 광고주에 대응하는 광고 송출로 인한 비용 중 적어도 하나에 기초하여 결정되는,
    서버.
  19. 제17항에 있어서,
    상기 프로세서는,
    상기 액션(action)을 선택함에 있어서,
    상기 광고주에 대응하는 광고 목적에 관한 복수의 후보 액션들 각각에 대응하여,
    상기 상태에서 상기 해당 후보 액션을 취하는 경우의 행동 가치 값에 기초하여, 상기 후보 액션들 중 어느 하나를 상기 광고주에 대응하는 액션으로 선택하며,
    상기 상태에서 해당 후보 액션을 취하는 경우의 행동 가치 값은 상기 해당 후보 액션에 의하여 전환되는 다음 상태에 대응하여 획득된 보상 및 감가율이 적용된 미래 상태에 대응하는 보상의 합에 대한 기대 값에 기초하여 추정되는,
    서버.
  20. 제17항에 있어서,
    상기 프로세서는,
    상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신함에 있어서,
    상기 보상 및 감가율이 적용된 상기 다음 행동 가치 값에 기초하여, 상기 상태 및 상기 선택된 액션에 대응하는 행동 가치 값을 갱신하며,
    상기 다음 행동 가치 값은
    상기 다음 상태 및 상기 다음 상태에서 취할 수 있는 후보 액션들에 대응하는 행동 가치 값들에 기초하여 결정되는 행동 가치 값을 포함하는,
    서버.
  21. 제17항에 있어서,
    상기 다음 상태는
    상기 선택된 액션에 대응하는 광고 소재의 송출 여부 및 송출된 광고 소재에 대하여 사용자로부터 수신된 반응들에 기초하여 결정되는,
    서버.
  22. 제17항에 있어서,
    상기 보상은
    상기 수익이 클수록 큰 값으로 결정되고, 상기 비용이 작을수록 큰 값으로 결정되는,
    서버.

KR1020210189998A 2021-12-28 2021-12-28 광고 방법 및 장치 KR20230100266A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210189998A KR20230100266A (ko) 2021-12-28 2021-12-28 광고 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210189998A KR20230100266A (ko) 2021-12-28 2021-12-28 광고 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230100266A true KR20230100266A (ko) 2023-07-05

Family

ID=87159103

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210189998A KR20230100266A (ko) 2021-12-28 2021-12-28 광고 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230100266A (ko)

Similar Documents

Publication Publication Date Title
US8626574B2 (en) Revenue adjustment processes
US11941661B2 (en) Method, apparatus, and computer program product for predicting web browsing behaviors of consumers
US20200286121A1 (en) Network based system and method for managing and implementing online commerce
US8489460B2 (en) Method and apparatus for advertising bidding
US20070198350A1 (en) Global constraints in open exchange platforms
US20070192356A1 (en) Open media exchange platforms
US20090292599A1 (en) Transactional advertising
US20130097028A1 (en) Dynamic Floor Pricing for Managing Exchange Monetization
US11599904B2 (en) Method, apparatus, and computer program product for predicting consumer behavior
US20160343038A1 (en) Advertisement price discounting
US20120016738A1 (en) Performance based pricing, promotion, and personalized offer management
US20070185779A1 (en) Open exchange platforms
US20110191191A1 (en) Placeholder bids in online advertising
US20070192217A1 (en) Entity linking in open exchange platforms
US20210374809A1 (en) Artificial intelligence techniques for bid optimization used for generating dynamic online content
US20140122253A1 (en) Systems and methods for implementing bid adjustments in an online advertisement exchange
Stange et al. Real-time advertising
US20150287094A1 (en) System and method for driving cross-platform interest and interactivity around advertising information
Agrawal et al. Optimization of operational decisions in digital advertising: A literature review
US20130103491A1 (en) Computer-Implemented Systems and Methods for Facilitating the Distribution of Advertisements
US20150051964A1 (en) Providing offers for local discounted goods and services
KR102517905B1 (ko) 트래픽 처리 속도 성능 개선을 위한 인공지능 기반 애드 익스체인지 플랫폼 프로세스 처리 방법, 장치 및 시스템
US9805375B1 (en) Content-based price reductions and incentives
KR20230011213A (ko) 온라인 광고 대행 서버, 캠페인 정보에 포함된 운영 옵션 정보를 선택적으로 변경하는 온라인 광고 대행 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램
KR20230100266A (ko) 광고 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal