Profiliranje spletnih uporabnikov v spletnem oglaševanju

doktorska disertacija

Domen Košir (Avtor), Igor Kononenko (Mentor), Zoran Bosnić (Komentor)

Povzetek

Ogromni dobički velikih spletnih podjetij izhajajo večinoma iz naslova spletnega oglaševanja in so glavno gonilo napredka na področjih profiliranja spletnih uporabnikov ter sistemov za priporočanje. Nova metoda za gradnjo ontoloških uporabniških profilov AverageActionFC temelji na tehnikah časovnega pozabljanja in popravljanja profilov s prototipi. Prototipi predstavljajo domensko znanje, s katerim lahko občutno izboljšamo kvaliteto profila. Rezultati kažejo, da lahko z našo metodo zgradimo profile višje kakovosti kot z obstoječimi metodami. Sistemi za priporočanje, ki temeljijo na matrični faktorizaciji, trpijo za t.i. problemom hladnega zagona. Vrednosti skritih faktorjev za nove uporabnike napovedujemo na podlagi semantičnih informacij v njihovih profilih z uporabo metod strojnega učenja. Kakovost teh seznamov izdatno izboljšamo s pametnim kombiniranjem priporočil več sistemov za priporočanje.

Ključne besede

spletno oglaševanje;profiliranje;sistemi za priporočanje;sledenje uporabnikom;zasebnost uporabnikov;računalništvo;disertacije;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2015
Tipologija:	2.08 - Doktorska disertacija
Organizacija:	UL FRI - Fakulteta za računalništvo in informatiko
Založnik:	[D. Košir]
UDK:	004.7:659.1(043.3)
COBISS:	1536209091
Št. ogledov:	1924
Št. prenosov:	306
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Web User Profiling in Online Advertising
Sekundarni povzetek:	Online advertising is a multi-billion dollar industry. Big internet companies are therefore highly motivated to improve their user profiling methods and recommendation systems. We present a novel ontological profiling method AverageActionFC. It is based on time-based forgetting and profile correction with prototypes. The prototypes are a representation of domain knowledge and can be efficiently used to improve the quality of a user's profile. The experiments show that our method significantly outperforms existing methods. Collaborative filtering recommendation systems suffer from the cold start problem. We employ machine learning algorithms to increase the quality of recommendations for new users by predicting the latent factor values based on the semantic information in their profiles. We further improve the quality of recommendation lists by combining recommendations from two or more systems
Sekundarne ključne besede:	online advertising;profiling;recommendation systems;user tracking;privacy;doctoral dissertations;theses;Oglaševanje;Disertacije;Uporabniki;
Vrsta datoteke:	application/pdf
Vrsta dela (COBISS):	Doktorsko delo/naloga
Komentar na gradivo:	Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani:	IX, 127 str.
ID:	8752055