Застосування інструментів Big Data для підвищення ефективності онлайн реклами
Впровадження нових методів та підходів до обробки даних, які отримали назву «Big Data», особливо актуальне для систем із викою завантаженістю. В умовах швидкого потоку даних традиційні пакетні методи моделювання не завжди дають точні та стійкі результати. У даній роботі автором розглянуто онлайновий...
Збережено в:
| Опубліковано в: : | Економіко-математичне моделювання соціально-економічних систем |
|---|---|
| Дата: | 2016 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2016
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/132525 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Застосування інструментів Big Data для підвищення ефективності онлайн реклами / В.І. Гриценко, І.М. Онищенко // Економіко-математичне моделювання соціально-економічних систем: Зб. наук. пр. — К.: МННЦІТС НАН та МОН України, 2016. — Вип. 21. — С. 5-21. — Бібліогр.: 15 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-132525 |
|---|---|
| record_format |
dspace |
| spelling |
Гриценко, В.І. Онищенко, І.М. 2018-04-20T20:08:39Z 2018-04-20T20:08:39Z 2016 Застосування інструментів Big Data для підвищення ефективності онлайн реклами / В.І. Гриценко, І.М. Онищенко // Економіко-математичне моделювання соціально-економічних систем: Зб. наук. пр. — К.: МННЦІТС НАН та МОН України, 2016. — Вип. 21. — С. 5-21. — Бібліогр.: 15 назв. — укр. XXXX-0009 https://nasplib.isofts.kiev.ua/handle/123456789/132525 330.4:004.22 Впровадження нових методів та підходів до обробки даних, які отримали назву «Big Data», особливо актуальне для систем із викою завантаженістю. В умовах швидкого потоку даних традиційні пакетні методи моделювання не завжди дають точні та стійкі результати. У даній роботі автором розглянуто онлайновий підхід до прогнозування імовірності кліку користувачем на рекламу та вплив такого підходу на ефективність рекламної кампанії. Внедрение новых методов и подходов к обработке данных, получивших название «Big Data», особенно актуально для систем с высокой загруженностью. В условиях быстрого потока данных традиционные пакетные методы моделирования не всегда дают точные и устойчивые результаты. В данной статье автором рассмотрено онлайновый подход к прогнозированию вероятности клика пользователя по рекламе и влияние такого подхода на эффективность рекламной кампании. Implementation of new methods and approaches to data processing called “Big Data” is actual especially for high velocity systems. An example of such system is an online advertising auction, where the number of requests is above 100 per second. In case of high velocity traditional batch learning algorithms not always lead to accurate and stable results. In the article, the author deals with online learning algorithm to predict the Click-Through-Rate for an online ad. After the author compare the result of working of two algorithms and shows the problem of using batch learning. uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Економіко-математичне моделювання соціально-економічних систем Застосування інструментів Big Data для підвищення ефективності онлайн реклами Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами |
| spellingShingle |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами Гриценко, В.І. Онищенко, І.М. |
| title_short |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами |
| title_full |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами |
| title_fullStr |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами |
| title_full_unstemmed |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами |
| title_sort |
застосування інструментів big data для підвищення ефективності онлайн реклами |
| author |
Гриценко, В.І. Онищенко, І.М. |
| author_facet |
Гриценко, В.І. Онищенко, І.М. |
| publishDate |
2016 |
| language |
Ukrainian |
| container_title |
Економіко-математичне моделювання соціально-економічних систем |
| publisher |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| format |
Article |
| description |
Впровадження нових методів та підходів до обробки даних, які отримали назву «Big Data», особливо актуальне для систем із викою завантаженістю. В умовах швидкого потоку даних традиційні пакетні методи моделювання не завжди дають точні та стійкі результати. У даній роботі автором розглянуто онлайновий підхід до прогнозування імовірності кліку користувачем на рекламу та вплив такого підходу на ефективність рекламної кампанії.
Внедрение новых методов и подходов к обработке данных, получивших название «Big Data», особенно актуально для систем с высокой загруженностью. В условиях быстрого потока данных традиционные пакетные методы моделирования не всегда дают точные и устойчивые результаты. В данной статье автором рассмотрено онлайновый подход к прогнозированию вероятности клика пользователя по рекламе и влияние такого подхода на эффективность рекламной кампании.
Implementation of new methods and approaches to data processing called “Big Data” is actual especially for high velocity systems. An example of such system is an online advertising auction, where the number of requests is above 100 per second. In case of high velocity traditional batch learning algorithms not always lead to accurate and stable results. In the article, the author deals with online learning algorithm to predict the Click-Through-Rate for an online ad. After the author compare the result of working of two algorithms and shows the problem of using batch learning.
|
| issn |
XXXX-0009 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/132525 |
| citation_txt |
Застосування інструментів Big Data для підвищення ефективності онлайн реклами / В.І. Гриценко, І.М. Онищенко // Економіко-математичне моделювання соціально-економічних систем: Зб. наук. пр. — К.: МННЦІТС НАН та МОН України, 2016. — Вип. 21. — С. 5-21. — Бібліогр.: 15 назв. — укр. |
| work_keys_str_mv |
AT gricenkoví zastosuvannâínstrumentívbigdatadlâpídviŝennâefektivnostíonlainreklami AT oniŝenkoím zastosuvannâínstrumentívbigdatadlâpídviŝennâefektivnostíonlainreklami |
| first_indexed |
2025-11-27T00:39:02Z |
| last_indexed |
2025-11-27T00:39:02Z |
| _version_ |
1850781842036228096 |
| fulltext |
– 2016, 21
5
: 330.4:004.22 . , .
BIG DATA
, «Big Data»,
.
.
.
: ,
,
, , Big Data.
, «Big Data»,
.
.
.
:
, ,
, , Big
Data.
Implementation of new methods and approaches to data
processing called “Big Data” is actual especially for high
velocity systems. An example of such system is an online
– 2016, 21
6
advertising auction, where the number of requests is above
100 per second. In case of high velocity traditional batch
learning algorithms not always lead to accurate and stable
results. In the article, the author deals with online learning
algorithm to predict the Click-Through-Rate for an online ad.
After the author compare the result of working of two
algorithms and shows the problem of using batch learning.
Key words: information technologies in economics,
economic-mathematic modeling, online learning algorithms,
online ad auction, Big Data
.
,
,
.
.
.
,
– ,
.
,
“Big Data” [1].
.
.
Click-Through-Rate
CTR,
– 2016, 21
7
,
.
CTR
[2]. ,
CTR.
[3]
CTR.
, 100 ,
.
( ) ,
– . .,
Google [4,
5, 6].
., ., .
. [7, 8]
. –
,
.
,
.
.
.
.
«Big Data», –
,
.
– 2016, 21
8
,
.
.
:
,
CTR –
,
CTR.
.
.
,
, , , ,
, ,
, " ".
, ,
.
, :
, ,
( ),
.
. -
.
.
) .
,
– 2016, 21
9
. –
.
( ) – ,
. -
, . .).
, .
.
- .
(CTR – click through rate) –
, ,
.
, –
– 1000 .
.
:
1.
, ;
2.
;
3.
;
4.
(CTR).
.
100 1996 3 2014,
– 2016, 21
10
.1).
: [ 9]
. 1. .
-
, .
2.
,
CTR. ,
,
– CTR.
– CTR
.
– 2016, 21
11
,
,
.
.
.
.
. .
, ,
, .
: [ 10]
. 2.
.
– 2016, 21
12
,
,
.
150
.
.
,
. publisher.
– Demand-Side Platform (DSP).
– Real-Time Bidding Exchange (RTB).
( . 3):
1. RTB exchange
(URL), ( ,
, )
.
2. DSP –
( , , ,
.)
.
– Data Management Platform (DMP).
3. RTB exchange
. 100 .
4.
.
– 2016, 21
13
: [11]
. 3.
.
,
– 100
.
.
,
(CTR) Big Data.
: Big Data –
,
, :
1) ,
2) ,
.
,
, « V»:
1) Volume – ;
– 2016, 21
14
2) Velocity – ,
,
;
3) Variety – ,
. [12]
–
(batch) .
. ,
– training dataset,
– test dataset
( . 4).
,
.
CTR
,
1 .
–
.
, ,
,
.
.
,
.
– 2016, 21
15
: [13]
. 4.
.
,
( . 4).
CTR ,
« »,
.
Follow The
Regularized Leader (FTRL) CTR
[6]. ,
:
– 2016, 21
16
:
:
,
:
– :
.
– L0, L1
L2. [14]
:
.
:
:
.
:
– 2016, 21
17
– ,
, – ,
L1 L2 .
:
,
, FTRL
.
–
.
FTRL
(greedy algorithm).
. [15]
Follow The Regularized Leader
L1, L2 – .
,
FTRL – .
– 2016, 21
18
10 , 3 .
:
1
.
FTRL
5 46 15
62% 65%
MAE (
)
0,004 0,003
FTRL
FTRL .
CTR ( . 5):
:
.5. CTR.
– 2016, 21
19
,
.
10
–
.
. ,
.
,
.
CTR
boosting –
.
,
.
.
,
. Big Data
.
, ,
,
.
,
– 2016, 21
20
Big Data
. Big Data
,
,
1. . . ,
, , -
, ; . . . – .:
, , 2014. – 240 .
2. M. Regelson and D. Fain. Predicting click-through rate using
keyword clusters. In Proceedings of the Second Workshop on
Sponsored Search Auctions, volume 9623. Citeseer, 2006.
3. M. Richardson, E. Dominowska, and R. Ragno. Predicting clicks:
estimating the click-through rate for new ads. In Proceedings of the
16th international conference on World Wide Web, pages 521–530.
A CM, 2007.
4. Shalev-Shwartz, Shai. "Online Learning and Online Convex
Optimization". Foundations and Trends in Machine Learning. 2011.
pp. 107–194.
5. Gilles Gasso. Batch and online learning algorithms for nonconvex
Neyman-Pearson classi cation / Gilles Gasso, Aristidis
Pappaioannou, Marina Spivak, Leon Bottou / ACM Transaction on
Intelligent System and Technologies, 2(3), 2011.
6. H Brendan McMahan. Follow-the-regularized-leader and mirror
descent: Equivalence theorems and l1 regularization. InInternational
Conference on Artificial Intelligence and Statistics, pages 525–533,
2011.
7. . .
/ . ., . /
8-
» -2010
, . , 17-24 2010). – .:
, 2010. – . 512-515.
8. .
., ., ./
, – 2005. – 4. – . 133 – 147.
– 2016, 21
21
9. Internet live stats. [ ] – :
http://www.internetlivestats.com/internet-users/
10. Douglas Galbi (purple motes) and IAB Internet Advertising Revenue
Report, FY 2015. [ ] – :
https://www.scribd.com/document/310075259/IAB-Internet-
Advertising-Revenue-Report
11. Real-Time Bidding. [ ] –
: http://konverta.ru/how
12. , . . , 04,
2011. [ ] – :
http://www.webcitation.org/6AOq8Azix
13. Introduction to online machine learning: Simplified. [
] – :
http://www.analyticsvidhya.com/blog/2015/01/introduction-online-
machine-learning-simplified-2/
14. Riedman J. H. Regularization paths for generalized linear models via
coordinate descent / Riedman J. H., Hastie T. , Tibshirani R. /
Journal of Statistical Software. 2010. Vol. 33, no. 1. pp. 1 – 22
15. . : / .,
., ., ./ 2- , .: ,
2005, . 442-478.
330.4 . , .
2001
2016
2001 2016 .
R/S- ,
.
Gretl.
SpectrAnalyzer.
http://:@www.internetlivestats.com/internet-users/
https://:@www.scribd.com/document/310075259/IAB-Internet-
http://:@www.webcitation.org/6AOq8Azix
http://:@www.analyticsvidhya.com/blog/2015/01/introduction-online-
|