ブラックボックスなアドテクを機械学習で推理してみた Short ver
•
7 gefällt mir•2,651 views
Ventures Salon vol.6 で発表した資料です。 業務でどのように機械学習が使われているか、 という観点でまとめました。 （あくまで概要＋αレベル） より深く学びたい方のために参考文献を提示しました。 機械学習の教科書、ブログ、論文など、 ご覧くださいませ。
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie ブラックボックスなアドテクを機械学習で推理してみた Short ver
Ähnlich wie ブラックボックスなアドテクを機械学習で推理してみた Short ver (20)
ブラックボックスなアドテクを機械学習で推理してみた Short ver
- 4. ところで効果って？(´・ω・`) 理想：安く広告を配信して、売上をあげたい 成果系KPI 売上: ECなどで商品が購入された金額 CV(Conversion): Web上で定義した成果(ex. 購入した回数、資料請求) 効率系KPI CTR(Click Through Ratio): クリック数/広告表示回数 CPA(Cost Per Acquisition): 広告のコスト/CV数 ROAS(Return Of Ad Spend): 売上/コスト
- 10. 分類って？(´・ω・`) 複数のカテゴリにわけること 顔の分類 アニメキャラの顔を分類 猫種類の分類 広告のクリック、非クリックへの分類 ステップは二つ テストデータをもとにモデルを作成 モデルから本番データを類推して分類 [('Abyssinian', 0.621), ('Bengal', 0.144), ('Sphynx', 0.087)] ※※http://rest-term.com/archives/3172/ ※ http://christina.hatenablog.com/entry/2015/01/23/212541
- 12. 単純な多変量の線形回帰では上手くいかない 仮に以下の数字を置いてみる CTR: 0.5% CVR: 1.0% 1,000,000 回広告が配信された場合、 Click数: 5,000回 CV数: 50回 データのうち、ほぼ誤差みたいなデータが 重要。うまく場合分けして計算する必要が ある。 x1 x2 イメージ
- 13. 効果が高いシンプルなCTR予測 多くの{0,1}の変数で クリック有無{-1,1}を ロジスティック関数で分類 +1:clickする 確率 P (y = +1|x) = 1 1 + exp( wT x) 媒体 広告主 ユーザ 時間 • 媒体NW • 媒体 • URL • 広告主NW • 広告主 • 広告 • (可能なら)年齢/性別 • 主サイト行動履歴 • 曜日 • 時間帯 ex. msn に来訪した場合 (0, 0, 1, 0, 0…) www.msn.com www.yahoo.co.jp
- 14. サンプリングと高次補正 媒体 NW 媒体 広告枠 広告 広告主 広告主 NW 証券会社とyahoo financeではCTRが上がる 変数の組み合せを{0,1}の変数にする 右上のデータは少ないため、 サンプルデータを多めにとる あとで数式に合うように補正する P (y = +1|x) = 1 1 + exp( wT x)
- 16. CTR予測コンテスト by Criteo & Kaggle 予測モデリング/分析のプラットフォーム 賞金をかけてクラウドソーシングされる 無数の戦略が可能であり、事前にどれが よいか予測することが困難なため Criteo CTR Prediction Contest 圧倒的な効果を出してきたCriteoもコン テストを開催 コンテストの成果を機能開発に反映？
- 17. CTR予測の最近のアルゴリズム 主要素分析 入力データから重要なデータを選ぶ デシジョンツリー作成 重要なデータで３∼７階層のツリー をつくる ツリーの末端は特徴量になる ロジスティック回帰 特徴量の線形結合する ロジスティック関数にあてはめる Figure 1: Hybrid model structure. Input features are transformed by means of boosted decision trees. The output of each individual tree is treated as a categorical input feature to a sparse linear classifier. Boosted decision trees prove to be very powerful feature transforms. ※ http://quinonero.net/Publications/predicting-clicks-facebook.pdfより抜粋
- 22. Appendix 基本資料 DSP/SSP/RTB The Ad Technology: http://www.amazon.co.jp/dp/4798136557 DSP/RTBオーディエンスターゲティング入門: http:// www.amazon.co.jp//dp/4864780013 機械学習の入門書 集合知プログラミング：http://www.amazon.co.jp/dp/4873113644/ Mahout In Action: http://www.amazon.co.jp/dp/4873115841/ オンライン機械学習： http://www.amazon.co.jp/dp/406152903X オンライン機械学習は論文を読み始める前に読んでおくとよいです