마케팅 캠페인을 운영할 때, 소매업체는 어떤 제품을 홍보하고 어떤 사용자를 타겟팅할지 결정해야 합니다. 이러한 결정은 본질적으로 결합되어 있습니다. 효과적인 캠페인은 상호 친밀도(mutual affinity)가 높은 사용자와 아이템을 미리 정의된 크기의 겹치지 않는 그룹으로 매칭합니다. 그러나 기존 방식들은 미리 정의된 캠페인 구조를 가정하거나, 아이템 선택과 사용자 할당을 분리하여 처리하며, 결합된 상호작용 패턴(joint interaction patterns)으로부터 캠페인 그룹화를 직접 찾아내지 못합니다. 따라서 우리는 이 캠페인 문제를 여러 개의 서로소인(disjoint) 캠페인을 구성하기 위해 사용자와 아이템을 공동으로 선택하는 오토 타겟팅(auto-targeting)으로 공식화합니다. 이 조합 최적화 문제(combinatorial problem)를 해결하기 위해, 우리는 세 가지 상호 보완적인 전략을 제안합니다: (i) 사용자-아이템 친밀도 행렬(user-item affinity matrix)에서 밀집된 영역을 찾기 위한 제약 조건이 있는 스펙트럴 바이클러스터링 (constrained spectral biclustering), (ii) 조합적 정교화를 위한 쌍별 교환(pairwise swaps)을 포함한 탐욕적 지역 탐색 (greedy local search), (iii) 탐색(exploration)을 통해 지역 최적점(local optima)을 벗어나기 위한 멀티 암드 밴딧 (multi-armed bandit) 프레임워크입니다. 우리는 합성 데이터셋, Amazon Reviews 벤치마크, 그리고 대규모 자체 상업 데이터를 통해 이러한 방법들을 평가하고, 결과값을 베이스라인인 시뮬레이티드 어닐링 (simulated annealing)과 비교합니다. 결과에 따르면 바이클러스터링 (biclustering)이 캠페인 품질, 리프트 (lift), 그리고 공정성 (fairness) 점수에서 일관되게 가장 높은 성과를 달성했습니다. 바이클러스터링은 작은 데이터셋에서는 효율적으로 작동하지만, 매우 큰 데이터셋에서는 실행 시간이 상당히 증가하며, 이 경우 밴딧 (bandit) 기반 방법론이 확장 가능한 대안을 제공합니다.