An end-to-end adaptive optimisation framework for affiliate widgets in digital editorial networks

Editorial publishers that monetise their content through affiliate programmes face a rec ommendation problem at scale: each article page can host a product widget, yet clicks occur only when the displayed category is relevant to the article being read. On a sports news website with thousands of articles and more than a thousand product categories, these associations cannot be curated manually; they must instead be continuously inferred from click feedback. This thesis makes two contributions. First, it develops a cloud-native platform that automates the affiliate editorial pipeline, from topic selection and retrieval-augmented article generation to publication and cost-per-click bid optimisation. Second, it formulates the monetisation widget as a contextual bandit that, for each page view and without user identifiers, selects a category from a large action space with sparse click feedback. Because no logged interactions exist before deployment, the widget is designed and evalu ated offline on a semi-synthetic testbed built from real article and catalogue embeddings with a known ground-truth reward. Controlled experiments compare the LinUCB and GLM-UCBestimators, four joint context/action feature maps, and several dimensionality reduction strategies. The study converges on a LinUCB policy based on an additive in teraction map over separately reduced embeddings and shows that, on this compressed and sparsely rewarded problem, simpler models consistently outperform more complex alternatives, recovering nearly two-thirds of the gap between a random policy and the clairvoyant optimum.

Gli editori digitali che monetizzano i propri contenuti attraverso programmi di affiliazione si trovano ad affrontare un problema di raccomandazione su larga scala: ogni pagina di un articolo può ospitare un widget di prodotto, ma i click si verificano solo quando la categoria mostrata è pertinente all’articolo che il lettore sta consultando. In un sito di notizie sportive con migliaia di articoli e oltre un migliaio di categorie di prodotti, queste associazioni non possono essere curate manualmente e devono invece essere apprese continuamente a partire dal feedback dei click. Questa tesi fornisce due contributi. In primo luogo, sviluppa una piattaforma cloud native che automatizza l’intera pipeline editoriale affiliata, dalla selezione dei temi e dalla generazione degli articoli mediante retrieval-augmented generation fino alla pubblicazione e all’ottimizzazione delle offerte cost-per-click. In secondo luogo, formalizza il widget di monetizzazione come un contextual bandit che, per ogni visualizzazione di pagina e in assenza di identificatori utente, seleziona una categoria all’interno di un ampio spazio di azioni in presenza di un feedback di clic sparso. Poiché prima del rilascio non sono disponibili interazioni storiche registrate, il widget viene progettato e valutato offline su un banco di prova semi-sintetico costruito a partire da embedding reali degli articoli e delle categorie di catalogo, caratterizzato da una fun zione di ricompensa di riferimento nota. Esperimenti controllati confrontano gli stimatori LinUCB e GLM-UCB, quattro mappe di rappresentazione congiunta contesto-azione e di verse strategie di riduzione dimensionale. Lo studio converge verso una politica LinUCB basata su una mappa di interazione additiva con embedding ridotti separatamente per modalità e mostra che, in questo problema caratterizzato da forte compressione e ricom pense sparse, modelli più semplici superano sistematicamente alternative più complesse, recuperando quasi due terzi del divario tra una politica casuale e l’ottimo chiaroveggente.