Resumen

El problema de la predicción del porcentaje de clics (CTR) en la publicidad móvil es una de las métricas más informativas utilizadas en las actividades comerciales móviles, como la evaluación de beneficios y la gestión de recursos. En la publicidad móvil, la predicción del CTR es esencial pero difícil debido a la escasez de datos. Además, los métodos existentes suelen tener dificultades para captar simultáneamente los distintos órdenes de interacciones entre características. En este estudio se ha desarrollado un método para obtener una predicción precisa del CTR incorporando características contextuales e interacciones de características. Inicialmente, utilizamos el método de refuerzo de gradiente extremo (XGBoost) como fase de ingeniería de características para seleccionar las más significativas. Las características seleccionadas son atributos contextuales móviles que incluyen el tiempo contextual, la geografía contextual y otros atributos contextuales (por ejemplo, las condiciones meteorológicas) en situaciones reales de publicidad móvil. Nuestro modelo, XGBoost deep factorization machine- (FM-) supported neutral network (XGBDeepFM), combina la potencia de XGBoost para la selección de características, FM para la interacción de características cruzadas de dos órdenes, y la red neuronal profunda para el aprendizaje de características de alto orden en una arquitectura unida. En condiciones de publicidad móvil, nuestros métodos conducen a una predicción CTR significativamente precisa en el tipo de modelo "amplio y profundo". En comparación con los modelos existentes, muchos experimentos con conjuntos de datos comerciales muestran que el modelo XGBDeepFM tiene un mejor valor del área bajo la curva y mejora la eficacia y la eficiencia de la predicción del CTR para la publicidad móvil.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:predicción precisa de ctr, publicidad móvil, predicción de ctr, interacciones de características, situaciones reales de publicidad móvil, orden de interacción de características cruzadas, máquina de factorización profunda, red neuronal profunda, fase de ingeniería de características, condición de publicidad móvil
• Keywords:accurate ctr prediction, mobile advertising, ctr prediction, feature interactions, actual mobile advertising situations, order cross feature interaction, deep factorization machine-, deep neural network, feature engineering phase, mobile advertising condition