[논문 리뷰] Click Through Rate Prediction for Contextual Advertisment Using Linear Regression

Muhammad Junaid Effendi, Syed Abbas Ali|arXiv (Cornell University)|2017. 01. 30.

Web Data Mining and Analysis참고 문헌 20인용 수 15

한 줄 요약

이 논문은 맥락 광고에서 클릭률(CTR) 예측을 위한 선형 회귀 기반 접근법을 제안하며, 특징 공학 및 최적화된 특징 선택을 통해 광고 관련성과 시스템 수익을 향상시킵니다. 이 방법은 맥락 특징의 선형 함수로 CTR를 모델링하여 효과적인 데이터 피팅과 실시간 광고 서빙에서의 실용적 적용성을 입증합니다.

ABSTRACT

This research presents an innovative and unique way of solving the advertisement prediction problem which is considered as a learning problem over the past several years. Online advertising is a multi-billion-dollar industry and is growing every year with a rapid pace. The goal of this research is to enhance click through rate of the contextual advertisements using Linear Regression. In order to address this problem, a new technique propose in this paper to predict the CTR which will increase the overall revenue of the system by serving the advertisements more suitable to the viewers with the help of feature extraction and displaying the advertisements based on context of the publishers. The important steps include the data collection, feature extraction, CTR prediction and advertisement serving. The statistical results obtained from the dynamically used technique show an efficient outcome by fitting the data close to perfection for the LR technique using optimized feature selection.

연구 동기 및 목표

• 확장 가능하고 해석 가능한 방식으로 맥락 광고에서 사용자 클릭을 예측하는 데 점점 커지는 도전 과제를 해결하기 위해.
• 정확한 CTR 예측을 통해 표시된 광고의 관련성을 향상시켜 광고 수익을 증가시키기 위해.
• CTR에 대한 예측 능력에 기반해 특징을 동적으로 선택하고 가중치를 조정하는 방법을 개발하기 위해.
• 실제 광고 환경에서 최적화된 특징을 사용한 선형 회귀의 성능을 평가하기 위해.
• 온라인 광고 시스템에서 CTR 예측을 위한 복잡한 모델에 대한 경량이고 효율적인 대안을 제공하기 위해.

제안 방법

• 저자는 사용자 행동, 광고 콘텐츠, 게재자 맥락 등의 맥락 특징에 중점을 두고 실제 광고 데이터를 수집합니다.
• 원시 데이터를 선형 모델링에 적합한 의미 있는 수치 표현으로 변환하기 위해 특징 추출을 수행합니다.
• 추출된 특징과 관측된 클릭률 간의 관계를 모델링하기 위해 선형 회귀를 적용합니다.
• 중복되거나 관련성이 없는 특징을 제거하여 모델 성능을 향상시키기 위해 최적화된 특징 선택 기법을 사용합니다.
• 훈련된 모델을 광고 서빙 파이프라인에 통합하여 실시간으로 CTR를 예측하고 광고 순서를 정렬합니다.
• 예측된 CTR 값이 실제 사용자 클릭 데이터와 얼마나 잘 맞는지 평가하기 위해 통계적 지표를 사용해 모델 평가를 수행합니다.

실험 결과

연구 질문

• RQ1 적절한 특징 공학을 통해 선형 회귀가 맥락 광고에서 CTR를 효과적으로 모델링할 수 있는가?
• RQ2 최적화된 특징 선택이 선형 모델을 사용한 CTR 예측의 정확도와 효율성에 어떤 영향을 미치는가?
• RQ3 이러한 맥락에서 선형 모델이 더 복잡한 모델보다 성능을 뛰어나거나 비슷하게 유지할 수 있는 정도는 어느 정도인가?
• RQ4 제안된 방법이 실시간 광고 서빙에서 광고 관련성과 시스템 전체 수익을 향상시키는가?
• RQ5 이 맥락에서 모델 복잡도와 예측 성능 사이의 상충 관계는 어떠한가?

주요 결과

• 최적화된 특징 선택을 적용한 선형 회귀 모델은 관측된 CTR 데이터에 밀도 높은 피팅을 보이며 강력한 예측 능력을 입증합니다.
• 모델은 데이터 피팅에 있어 뛰어난 성능을 보이며, 실시간 구현에 적합함을 시사합니다.
• 특징 최적화가 입력 특징의 노이즈와 중복을 줄여 모델 정확도를 크게 향상시켰습니다.
• 이 방법은 더 복잡한 기계학습 모델에 비해 경량이고 해석 가능한 CTR 예측 대안을 제공합니다.
• 강력한 특징 공학과 결합된 선형 모델의 실현 가능성은 CTR 예측 분야에서 입증됩니다.
• 시스템이 데이터 추세에 동적으로 대응할 수 있는 능력은 온라인 광고 플랫폼에서의 확장 가능한 구현 가능성을 시사합니다.