Tavsiye sistemleri ile kullanıcı davranışlarına uygun reklam seçimi

Abstract

Çevrimiçi reklamcılık alanında, uygun reklamı seçerek hedef kullanıcıya göstermek oldukça önemli fakat bir o kadar da zor bir görevdir. Geleneksel hedefleme yöntemlerinin başarılı sonuçlar vermesine rağmen, bu yöntemler de tüm kullanıcılar için farklı reklamları etkili bir şekilde seçememektedir. Bu çalışmada, çevrimiçi reklam veri kümeleri üzerinde tavsiye sistemlerinde kullanılan işbirlikçi filtreleme yöntemleri uygulanmaktadır. Aynı zamanda kullanıcılara farklı ve etkili reklamlar önermek için yeni bir yöntem önerilmektedir. İkili kümeleme yönteminin ve sıralı ağırlıklı ortalama birleştirme operatörünün kullanımına dayanan bu yöntem ile kullanıcıların reklamlarla ilgili bir geçmişi olmasa bile gezinti geçmişleri yardımıyla işbirlikçi bir şekilde reklam tavsiyesinde bulunulabilmektedir. İşbirlikçi filtreleme yöntemlerinin ve de önerilen yöntemin farklı deneysel kurulumlar ile elde edilmiş çevrimdışı değerlendirme sonuçları paylaşılmaktadır. Bu çalışmada elde edilen sonuçlar, işbirlikçi filtreleme yöntemlerinin reklam tavsiyesinde etkili bir araç olarak kullanılabileceği tekrarlamakta ve önerilen yöntemin özellikle gezinme geçmişi gibi kullanıcı davranışlarının iyi bilindiği sistemlerde daha başarılı sonuçlar vereceğini göstermektedir.

In online advertising, it is crucial to show relevant advertisements to target users. However, this is a challenging process. Although conventional targeting approaches yield useful results, they cannot effectively select different advertisements for all users. In this study, collaborative filtering techniques are explored on online advertisement data sets. Also, a new method is proposed to recommend different and compelling advertisements to users. The proposed method, which is based on biclustering and ordered weighted average aggregation operators, can address circumstances such as the lack of implicit feedback on advertisements. Results of the offline analysis of the proposed method and other collaborative filtering methods are presented. It is shown that collaborative filtering methods are beneficial and that the proposed method provides better results, especially in systems where users' behaviors, like their navigation histories, are well known.