Прогнозирование реакции пользователей в интернет-рекламе
User Response Prediction in Online Advertising
2021-05-08
SCID: 54.1/cycsa33g
Discuss with AI
эталонные наборы данныхмашинное обучениеонлайн-рекламарекомендательные системыпрогнозирование реакции пользователей
Figures from the paper
Abstract (AI)
Интернет-реклама как масштабный рынок привлекла значительное внимание на различных платформах, включая поисковые системы, сторонние веб-сайты, социальные сети и мобильные приложения. Успешность онлайн-кампаний представляет собой сложную задачу интернет-маркетинга и обычно оценивается по реакции пользователей, измеряемой различными показателями, такими как клики по рекламным креативам, подписки на продукты, покупки товаров или явная обратная связь от пользователей, полученная посредством онлайн-опросов. В последние годы значительно увеличилось число исследований, в которых для прогнозирования реакции пользователей применяются вычислительные подходы, включая методы машинного обучения. Однако существующая литература в основном сосредоточена на алгоритмически ориентированных решениях конкретных задач, и комплексного обзора, позволяющего ответить на многие важные вопросы, не существует. Какие стороны участвуют в экосистемах цифровой интернет-рекламы? Какие типы данных доступны для прогнозирования реакции пользователей? Как прогнозировать реакцию пользователей надежно и/или прозрачно? В данном обзорном исследовании представлен всесторонний анализ прогнозирования реакции пользователей в интернет-рекламе и связанных с ней рекомендательных приложениях. Наша основная цель — сформировать целостное представление об онлайн-рекламных платформах, заинтересованных сторонах, доступности данных и типичных подходах к прогнозированию реакции пользователей. Мы предлагаем таксономию для классификации современных методов прогнозирования реакции пользователей, уделяя основное внимание текущему прогрессу в применении методов машинного обучения на различных онлайн-платформах. Кроме того, мы рассматриваем приложения прогнозирования реакции пользователей, эталонные наборы данных и исходный код с открытым доступом в данной области.
Key Findings
1
Рассматриваются экосистемы интернет-рекламы, включая участников, доступные типы данных и типичные условия прогнозирования на разных платформах.
2
Обобщаются приложения прогнозирования реакции пользователей, эталонные наборы данных и доступные реализации с открытым исходным кодом.
3
Подчеркивается необходимость надежных и прозрачных методов прогнозирования кликов, подписок, покупок и других реакций пользователей.
4
Статья представляет всесторонний обзор прогнозирования реакции пользователей в интернет-рекламе и связанных рекомендательных приложениях.
5
Предложена таксономия современных методов прогнозирования реакции пользователей с акцентом на машинное обучение для различных онлайн-платформ.
Research Object
платформы онлайн-рекламы и связанные с ними рекомендательные приложения
Research Subject
предсказание реакции пользователей, включая используемые данные, методы машинного обучения, надёжность, прозрачность и области применения
Publication Details
Publication Date
2021-05-08
Journal
Publisher
ISSN
Cited by
89
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Wide & Deep Learning для рекомендательных систем2016
Графовые сверточные нейронные сети для рекомендательных систем веб‑масштаба2018
Коллаборативная фильтрация для наборов данных с косвенной обратной связью2008
Графовая нейронная сеть с механизмом внимания для неоднородных графов2019
Встраивание графа знаний: обзор подходов и приложений2017