پیش بینی نرخ کلیک در صنعت تبلیغات آنلاین با داده های واقعی و چالش های آن

پیش بینی نرخ کلیک(CTR) ، یکی از چالش های اساسی و کلیدی در تبلیغات آنلاین محسوب می شود. با توجه به گسترش بازار تبلیغات آنلاین در پلتفرم های مختلف از جمله موتورهای جستجو، وب سایت های شخص ثالث، شبکه های اجتماعی و اپلیکیشن های موبایل، رقابت ارائه دهندگان تبلیغات آنلاین به شدت افزایش یافته است. با توجه به این که مدل درآمدی اکثر ارائه دهندگان تبلیغات آنلاین بر اساس تعداد کلیک های انجام شده بر روی تبلیغ است، پیش بینی دقیق نرخ کلیک به ازای هر تبلیغ و نمایش تبلیغات مبتنی بر آن برای بهبود اثربخشی تبلیغات بسیار مورد توجه قرار گرفته است. ما در این پژوهش سعی کردیم با تلفیق روش های پیشین در این حوزه، الگوریتمی ارائه دهیم که علاوه بر عملکرد مناسب، نیاز کمتری به منابع سخت افزاری داشته باشد و بتواند بر روی سیستم های با توان پردازشی متوسط بر روی کلان داده نیز به خوبی اجرا شود. در این پژوهش، داده ها از یک شرکت تبلیغات آنلاین واقعی دریافت شده اند و ساختگی نیستند. با توجه به حجم بالای داده ها (حدود ۵۰ گیگابایت)، با چالش کلان داده مواجه هستیم. همچنین، چالش های مختلفی از جمله نرخ پایین داده های کلاس مثبت و مسئله شروع سرد (Cold Start) را مورد بررسی قرار دادیم و راهکارهایی برای بهبود این مسائل ارائه کردیم.

کلیدواژه ها:

پیش بینی نرخ کلیک ، تبلیغات آنلاین ، رتبه بندی ، سیستم های پیشنهادگر ، کلان داده