20.500.12556/RUL-188809 Optimizing Real-Time Bidding Systems in Programmatic Advertising Optimizacija realnočasovnih sistemov za dražbe v programatičnem oglaševanju A demand-side platform has only tens of milliseconds per request to choose the advertisement it will bid with, so the selection runs in stages. The first stage carries much of that weight. A computationally cheap two-tower model scores the large set of eligible candidates and forwards about a hundred of them to heavier processes. Such a model has to tell good candidates from bad ones, yet its training data holds only the advertisements that were chosen in the past. We therefore sample the bad examples from the training batch, and that sampling introduces several kinds of bias into the model. In this thesis we reworked the negative sampling of preselection in a production real-time bidder. We tuned how many negative examples a batch supplies, corrected the bias with a streaming estimate of sampling frequencies, and widened the negatives with uniform draws from the whole set of advertisements. Drawing from two sources calls for a correction that the literature only hints at, so we derived it exactly as a single mixture distribution and showed that it works. We checked every method in a controlled setting on static data and tested it in the live production system. Our sampling methods improved the ranking of candidates decisively, but that improvement did not translate into clear gains in the financial metrics. We attribute the mismatch to the oversized depth of the forwarded shortlist, which masks better ordering before it can reach a business outcome. Platforma na strani povpraševanja ima za posamezno zahtevo le nekaj deset milisekund za izbiro oglasa, s katerim bo licitirala, zato izbor poteka v več stopnjah. Posebej pomembna je prva, kjer računsko nezahteven dvostolpni model oceni veliko število primernih kandidatov, in jih nato približno sto posreduje zahtevnejšim procesom. Tak model mora zato znati ločiti med dobrimi in slabimi primeri, a ker njegova učna množica vsebuje le primere preteklih uspešno izbranih oglasov, slabe primere vzorčimo iz učnega paketa. Vendar pa tako vzorčenje v model vpelje več vrst pristranskosti. V tem magistrskem delu smo prenovili vzorčenje predizbora v produkcijskem sistemu za licitiranje v realnem času. Uravnali smo število negativnih primerov v paketu, pristranskost popravili s sprotnim ocenjevanjem pogostosti vzorčenja, negativne primere pa razširili z enakomernimi vzorci iz nabora vseh oglasov. Vzorčenje iz dveh virov zahteva popravek, ki je v literaturi le nakazan, zato smo ga natančno izpeljali in dokazali njegovo učinkovitost. Vsako metodo smo preverili v kontroliranem okolju na statičnih podatkih in testirali v pravem produkcijskem okolju. Čeprav so naše metode vzorčenja občutno izboljšale razvrščanje kandidatov, se to v finančnih metrikah ni odražalo. To neskladje pripisujemo prekomerni globini posredovanega izbora, ki zakrije izboljšano razvrstitev in prepreči, da bi pripomogla k boljšemu poslovnemu izidu. programmatic advertising real-time bidding candidate retrieval two-tower models sampled softmax mixed negative sampling sampling bias correction online A/B testing programatično oglaševanje licitiranje v realnem času pridobivanje kandidatov dvostolpni modeli vzorčena funkcija softmax mešano vzorčenje negativnih primerov popravek pristranskosti vzorčenja A/B testiranje v produkciji true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2026-09-28 16:50:01 2026-09-28 16:50:07 2026-09-29 04:06:25 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38610 Mozina_Marko_-_Optimizacija_realnocasovnih_sistemov_za_drazbe_v_programaticnem_oglasevanju.pdf Mozina_Marko_-_Optimizacija_realnocasovnih_sistemov_za_drazbe_v_programaticnem_oglasevanju.pdf 1 C1EB9EB8F56DADDB3C6D22144C0578EE 494fc8c121644f000a26f022f34d5e47cb88bae8c58762425efb7fb4e34bc604 cc4f818a-bb4b-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=249156 Fakulteta za računalništvo in informatiko 0 0 0