The commercial value of advertiseme

The commercial value of advertisement on the Web depends on whether users click on the advertisement.
The advertisements click has a significant impact on the Internet industry. It allows Internet companies to identify most relevant ads for each user and improve user experiences. Internet Behavioural targeting (BT) leverages user's online activities to select the ads most relevant to users to display, which is a promising technique to improve the efficiency of online advertising.
There has been a lot of research in Behavioural Targeting. A well-grounded statistical model of BT predicts click-through rate (CTR) of an ad from user behaviour, such as ad clicks and views, page views, search queries etc. The CTR is used in search advertising to rank ads and price clicks. In this paper, we also use the area under the Receiver Operating Characteristics (ROC) curve (AUC) as the evaluation criteria that proposed by track 2, KDD Cup 2012. As we only concern the CTR order of the testing data the rank of the CTR is used instead of the real value. The predicted AUC score should be higher than 0.5 because 1) the AUC value is between 0.0 and 1.0 and 2) the random guessing value of AUC is 0.5.
Receiver Operating Characteristics (ROC) graph is a useful technique for organizing classifiers and visualizing their performance. ROC graphs are commonly used in medical decision making, and in recent years have been increasingly adopted in the machine learning and data mining research communities. In addition to being a generally useful performance graphing method, they have properties that make them especially useful for domains with skewed class distribution and unequal classification error costs. These characteristics have become increasingly important as research continues into the areas of cost-sensitive learning and learning in the presence of unbalanced classes.
AUC is the Area under the ROC curve, in this paper, which is equivalent to the probability that a random pair of positive samples (clicked ad) and a negative one (unclicked ad) is ranked correctly by using the predicted click-through rate. An equivalent way of maximizing the AUC is to divide each instance into (#click) of positive samples and (#impression-#click)negative samples, and then minimize the pair-wise ranking loss of those samples using the predicted click-through rate[3].
In this paper we utilized Multiple Criteria Linear Programming (MCLP) [3] Regression model to predict the Click-Through rate and to compare it with other two well-known regression methods. The datasets [4] used for testing comes from track2 of the KDD Cup 2012. A major challenge is to create efficient features. Feature creation and selection are the most important steps in solving a supervised learning problem. We compared different methods and then chose two of them to create the features.
The paper is structured as follows. Section 2 reviews related work. Section 3 describes our behaviour data. Section 4 introduces MCLP Regression Data Mining Model and Its Algorithm. Section 5 is the experiment. We conclude the paper in Section 6 with future extended work.

ผลลัพธ์ (ไทย) 1:

ค่าเชิงพาณิชย์ของโฆษณาบนเว็บขึ้นอยู่กับว่าผู้ใช้คลิกที่โฆษณาคลิกโฆษณามีผลในวงการอินเตอร์เน็ต บริษัทอินเทอร์เน็ตเพื่อระบุโฆษณาที่เกี่ยวข้องมากที่สุดสำหรับแต่ละผู้ใช้ และปรับปรุงประสบการณ์ของผู้ใช้ได้ อินเทอร์เน็ตพฤติกรรมเป้าหมาย (BT) อาศัยกิจกรรมออนไลน์ของผู้ใช้เพื่อเลือกโฆษณาที่เกี่ยวข้องกับผู้ใช้เพื่อแสดง ซึ่งเป็นเทคนิคสัญญาเพื่อปรับปรุงประสิทธิภาพของโฆษณาออนไลน์มีมากของการวิจัยในการกำหนดเป้าหมายเชิงพฤติกรรม แบบจำลองทางสถิติดีดินของ BT ทำนายคลิกผ่าน (CTR) ของโฆษณาจากพฤติกรรมของผู้ใช้ เช่นโฆษณาคลิกและมุมมอง มุมมองหน้า ค้นหาฯลฯ จักรที่ใช้ในการค้นหาโฆษณาจัดอันดับโฆษณา และคลิกที่ราคา ในกระดาษนี้ เรายังใช้พื้นที่ใต้เส้นโค้งเป็นลักษณะการทำงานตัวรับสัญญาณ (ROC) (AUC) เป็นเกณฑ์การประเมินที่เสนอโดยติดตาม 2, KDD คัพ 2012 ขณะที่เรากังวลเฉพาะ CTR ลำดับของข้อมูลการทดสอบลำดับที่ของ CTR ถูกใช้แทนค่าจริง คะแนน AUC คาดการณ์ควรจะสูงกว่า 0.5 เนื่องจาก 1) ค่า AUC ระหว่าง 0.0 1.0 และ 2) การคาดเดาสุ่มค่า AUC 0.5รับสัญญาณกราฟลักษณะการทำงาน (ROC) เป็นเทคนิคมีประโยชน์สำหรับคำหลักภาษาการจัดระเบียบ และแสดงผล ROC กราฟจะใช้ในการตัดสินใจทางการแพทย์ และในปีที่ได้รับมากขึ้นเรื่อย ๆ รับรองในการเรียนรู้ของเครื่องและชุมชนวิจัยเหมืองข้อมูล นอกจาก ประสิทธิภาพที่มีประโยชน์โดยทั่วไปวิธีสร้างกราฟ พวกเขามีคุณสมบัติที่ให้ประโยชน์สำหรับโดเมนที่มีการกระจายชั้นเบ้และค่าผิดพลาดประเภทไม่เท่ากัน ลักษณะเหล่านี้ได้กลายเป็นสำคัญเป็นการวิจัยยังคงเป็นพื้นที่ไวต่อต้นทุนการเรียนรู้ และการเรียนรู้ในชั้นเรียนไม่สมดุลAUC เป็นพื้นที่ใต้โค้ง ROC ในกระดาษนี้ ซึ่งเทียบเท่ากับความเป็นไปได้ว่า คู่สุ่มตัวอย่างเชิงบวก (โฆษณาถูกคลิ) และในแง่ลบ หนึ่ง (คลิกส่วนใหญ่โฆษณา) เป็นอันดับได้อย่างถูกต้องโดยใช้การคาดการณ์คลิกผ่าน วิธีการเทียบเท่าของ AUC เพิ่มคือการ แบ่งแต่ละอินสแตนซ์ตัวอย่างบวกเข้า (#click) และ (#impression-#click) ลบตัวอย่าง และลดการสูญเสียอันดับ pair-wise ของตัวอย่างโดยใช้การคาดการณ์คลิกผ่าน [3]ในเอกสารนี้ เราใช้แบบจำลองถดถอยหลายเงื่อนไขเชิงเส้นการเขียนโปรแกรม (MCLP) [3] เพื่อทำนายอัตราการคลิกผ่าน และเปรียบเทียบกับวิธีอื่น ๆ รู้จักถดถอยสอง ชุดข้อมูล [4] ใช้สำหรับการทดสอบมาจาก track2 ของ KDD คัพ 2012 ความท้าทายสำคัญคือการ สร้างคุณลักษณะที่มีประสิทธิภาพ สร้างคุณลักษณะและตัวเลือกมีขั้นตอนสำคัญที่สุดในการแก้ปัญหาการเรียนรู้ดูแล เราเปรียบเทียบวิธีต่าง ๆ และจากนั้น เลือกที่สองของพวกเขาเพื่อสร้างคุณลักษณะกระดาษที่มีโครงสร้างดัง ส่วนที่ 2 ความคิดเห็นการทำงานที่เกี่ยวข้อง ส่วนที่ 3 อธิบายข้อมูลพฤติกรรมของเรา ส่วนที่ 4 แนะนำ MCLP ถดถอยแบบจำลองการทำเหมืองข้อมูลและอัลกอริทึมของ ส่วนที่ 5 เป็นการทดลอง เราสามารถสรุปกระดาษในส่วนที่ 6 กับขยายงานในอนาคต