Ad-centric Model Discovery for Prediciting Ads's Click-through Rate
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Click here and insert your abstract text. Search engine advertising has become one of the most important revenue models of electronic commerce. It strongly affects the probability that users click on the ads at the side of the search results page if the system shows the right ones. To maximize the outcome of search engine revenue and improve perception on those ads, it is important to understand the factors which affect the click through rate (CTR) on those ads. Tencent founded in 1998, is one of China's largest and most used Internet service portals. It provides a number of online services such as value-added Internet, mobile and telecom services and online advertising. As of September 30, 2011, Tencent had 711.7 million active Instant Messenger users. It forms the largest Internet Community in China. In this research, we use a very large dataset of Tencent click logs (soso.com) with millions records. First we describe how soso.com searching engine advertising works, our system architecture is designed with the click log dataset, and observations inside it aims at those ads with enough historical click logs. Then we show how to use ad-centric features to discover models that can find factors affecting CTR prediction performance. The proposed framework could help both optimizing the search engine system for soso.com and improving the ads designs for the advertisers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle