Desenvolvimento de preditores para recomendação automática de produtos.

• Main Author: Fuks, Willian Jean
• Other Authors: Cozman, Fabio Gagliardi
• Format: Others
• Language: pt
• Published: Biblioteca Digitais de Teses e Dissertações da USP 2013
• Subjects: Computational advertising; CTR predictor; Inteligência artificial; Machine learning; Matriz factorization; Online advertising; Preditores (Desenvolvimento); Produtos; SVD
• Online Access: http://www.teses.usp.br/teses/disponiveis/3/3152/tde-22052014-232901/

Com o avanço da internet, novos tipos de negócios surgiram. Por exemplo, o sistema de anúncios online: produtores de sites e diversos outros conteúdos podem dedicar em uma parte qualquer de sua página um espaço para a impressão de anúncios de diversas lojas em troca de um valor oferecido pelo anunciante. É neste contexto que este trabalho se insere. O objetivo principal é o desenvolvimento de algoritmos que preveem a probabilidade que um dado usuário tem de se interessar e clicar em um anúncio a que está sendo exposto. Este problema é conhecido como predição de CTR (do inglês, \"Click-Through Rate\") ou taxa de conversão. Utiliza-se para isto uma abordagem baseada em regressão logística integrada a técnicas de fatoração de matriz que preveem, através da obtenção de fatores latentes do problema, a probabilidade de conversão para um anúncio impresso em dado site. Além disto, testes considerando uma estratégia dinâmica (em função do tempo) são apresentados indicando que o desempenho previamente obtido pode melhorar ainda mais. De acordo com o conhecimento do autor, esta é a primeira vez que este procedimento é relatado na literatura. === With the popularization of the internet, new types of business are emerging. An example is the online marketing system: publishers can dedicate in any given space of theirs websites a place to the printing of banners from different stores in exchange for a fee paid by the advertiser. It\'s in this context that this work takes place. Its main goal will be the development of algorithms that forecasts the probability that a given user will get interested in the ad he or she is seeing and click it. This problem is also known as CTR Prediction Task. To do so, a logistic regression approach is used combined with matrix factorization techniques that predict, through latent factor models, the probability that the click will occur. On top of that, several tests are conducted utilizing a dynamic approach (varying in function of time) revealing that the performance can increase even higher. According to the authors knowledge, this is the first time this test is conducted on the literature of CTR prediction.