オンライン広告のオーディエンスセグメンテーションにおける統合学習モデル

抄録

オンライン広告のオーディエンスセグメントは, 一般的にwebの行動履歴やcookieなどの識別子から生成される. これらのセグメントは, 広告ターゲティングだけでなく, その他の配信の最適化にも使用される. しかし, これらのセグメントは大規模かつデータの種類が異なるため, 特徴量として使う際に統合が困難である. 一般的に高い精度を実現するためには, 手動の特徴量エンジニアリングが必要である. また, 従来の分類モデルでは, webの行動履歴やテキストなどといった, 異なる種類の特徴量の学習が困難である. そこで, 私達は統合学習モデルを提案する. このモデルは, Radical Basis Function Network ( RBFN ), Deep Network ( DN ), Recurrent Network ( RN )によって, それぞれ別々の特徴量を用いて学習し, 統合するモデルである. 本稿では, オンライン広告の2つのデータセットを用いた実験で, 疎な特徴量に対して一般的なアンサンブル木モデルより提案した統合学習モデルの有効性があることを検証した.