広告における機械学習の適用例とシステムについて

>100 Views

September 15, 17

#機械学習 #広告 #ユーザーセグメンテーション #モデリングシステム #データ分析

スライド概要

Yahoo!デベロッパーネットワーク

@ydnjp

スライド一覧

2023年10月からSpeaker Deckに移行しました。最新情報はこちらをご覧ください。 https://speakerdeck.com/lycorptech_jp

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

（ダウンロード不可）

関連スライド

深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで

Yahoo!デベロッパーネットワーク 160.5K

ゼロから始める転移学習

Yahoo!デベロッパーネットワーク 85.6K

ヤフーにおける WebAuthn と Passkey の UX の紹介と考察 #idcon #fidcon

idcon fidcon

Yahoo!デベロッパーネットワーク 72.7K

OpenID Connectとネイティブアプリを取り巻く仕様と動向 Yahoo! JAPANの取り組み #openid #openid_tokyo

openid openid_tokyo

Yahoo!デベロッパーネットワーク 57.5K

運用業務とスクラムは本当に組み合わせにくいのか︖運用業務が大半を占めるプロダクト開発での試行錯誤

devsumi

Yahoo!デベロッパーネットワーク 34.8K

ヤフーのオンプレ機械学習基盤AIPFについて #ml_kubernetes

ml_kubernetes

Yahoo!デベロッパーネットワーク 28.9K

各ページのテキスト

自己紹介濱田健宏(はまだたけひろ)  経歴 • 2008-2014（ソニー株式会社）画像処理・認識アルゴリズムの研究開発 • 2014-（ヤフー株式会社）モデリングシステムの開発・運用・ロジックチューニングなど  所属 • マーケティングソリューションズカンパニーデータ事業推進本部  担当プロダクト • セグメンテーションツール、プラニングツール 4 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

セグメンテーションツール • • 社内外のデータからユーザーセグメントを抽出広告配信やプランニングに活用 Ex) 新築マンションの訴求 => 「新築マンション東京」と検索したユーザーセグメントヤフーサービスログ YDD/YAD PF クライアントサービスログ 6 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved. ユーザーセグメント

問題設定を考える  目的をデータで表現できるように近似 • 新築マンションの訴求 => 新築マンションの資料請求をするユーザーを増やす  問題設定 • 新築マンションの資料請求をするか否かの2値分類  学習データ • • 正例：新築マンションの資料請求をしたユーザー負例：正例以外のヤフーユーザー => 精度が悪いケースが多い 9 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

10.

問題を分解する  正例：（n日前に）新築マンションの資料請求をしたユーザー • nが小さいユーザー => ダイレクトレスポンス効きそうな特徴量：「新築マンション東京」と検索 and 年収 and 地域 and … • nが大きいユーザー => ブランディング効きそうな特徴量：年収 and 地域 and … => 性質が異なるユーザーが混ざっている  目的をダイレクトレスポンスに絞って考える 10 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

11.

問題設定再考  目的をデータで表現できるように近似 • 2日後に新築マンションの資料請求をするユーザーを増やす  問題設定 • 2日後に新築マンションの資料請求をするか否かの2値分類  学習データ • 正例：2日前に新築マンションの資料請求をしたユーザー • 負例：正例以外のヤフーユーザー => 精度が悪いケースが少ない 11 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

12.

13.

14.

システム     14 正例負例抽出 • 正例の条件は利用者が設定 • 負例はYJユーザーから一様サンプリング • Hive処理特徴量抽出 • 特徴量は検索、流出、PV、属性データなど利用 • Hive処理モデル学習 • 学習器は木構造、boosting • Mapreduce処理オフライン評価 • クロスバリデーション • ランダムと比較した場合のLift値を精度として利用者に提示 • Mapreduce処理 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

15.

利用者からの問い合わせ配信結果が良くない  目的と問題設定があっていないケース • Ex) クレジットカードの申込でモデル作成したが、審査に落ちる人に多い => 正しい問題設定は、クレジットカードの審査通過したユーザー  正例数が少ないケース • 正例条件を見直して数を増やす • ロジックの改良。半教師あり学習やランク学習を検討 • とはいえ、数が少ないと難しいので、配信初期は機械学習に頼らないで人が考えることも重要 15 Copyright © 2017 Yahoo Japan Corporation. All Rights Reserved.

16.

17.