CNN을 활용한 CTR 예측 시각화 분석

• 영문명: Visualization Analysis on CNN Based CTR Prediction
• 발행기관: 한국자료분석학회
• 저자명: 김태석(Tae-Suk Kim)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.22 No.6, 2603~2614쪽, 전체 12쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2020.12.30

국문 초록

클릭률(click through rate, CTR) 예측은 사용자에게 노출된 광고가 클릭될 확률을 추정하는 것으로 온라인 광고 수익 극대화를 위한 광고 노출 전략 결정에 중요한 역할을 담당한다. CTR 예측의 핵심은 데이터 필드(특징) 간 상호작용을 효과적으로 모델링하는 것인데 최근 시·공간적 연계성을 갖는 데이터에 있어 탁월한 성능을 발휘하고 있는 심층신경망(deep neural network)을 모델링에 활용한 연구가 활발히 진행되고 있다. 본 연구는 CTR 예측을 위해 이미지·음성 인식 분야에서 뛰어난 성능을 보여주고 있는 신경망 구조인 Convolutional Neural Network(CNN)의 활용가능성에 관한 기초적인 연구 결과를 제시한다. 먼저 이미지·음성 데이터와 구별되는 CTR 데이터의 특성과 이로 인한 CNN 적용 시 발생할 수 있는 성능상의 한계점을 도출한다. CNN의 하이퍼 파라미터인 임베딩과 풀링에 관한 비교 설정 실험 결과를 시각적으로 해석하여 CTR 데이터에 대한 하이퍼 파라미터의 영향력을 분석한다. 실험 결과에 따르면, CTR 데이터에 있어 임베딩과 풀링은 유기적으로 성능에 영향을 미치므로 데이터 특성에 맞게 둘 간의 최적 조합을 선택하는 것이 CNN 성능 향상에 매우 중요한 요소가 됨을 확인하였다.

영문 초록

The click through rate(CTR) prediction estimates the probability that an advertisement exposed to a user is clicked, and plays an important role in determining an advertisement exposure strategy for maximizing online advertisement revenue. The key to predicting CTR is to effectively model the interactions between data fields(features). Recently, researches using deep neural network(DNN), which exhibits excellent performance in data with temporal and spatial correlation, are actively conducted for modeling. This study presents basic research results on the possibility of using a convolutional neural network(CNN), a neural network structure that shows the best performance in the image and speech recognition field, for CTR prediction. First, we derive the characteristics of CTR data that are distinguished from image and voice data and the performance limitations that can occur when regular CNN is applied. Then, we visually analyze the experiment results of the comparison setup for CNN hyperparameters(embedding and pooling) to understand the imapct of hyperparameters on CTR data. According to the experimental results, since embedding and pooling organically affect the performance of CTR data, it was confirmed that selecting the optimal combination between the two based on the data characteristics is a very important factor in improving CNN performance.

목차

1. 서론

2. CTR 데이터 특성과 CNN 적용의 한계

3. 시각화 기법을 활용한 성능 분석

4. 결론

Reference

키워드

클릭률 심층신경망 딥러닝 click-through rate deep neural network CNN deep learning