KDD読会. OpenOfficeをPDFへ変換

1. Psychological Advertising:
Exploring User Psychology for
Click Prediction in Sponsored
Search
KDD読み会
@Quasi_quant2010
2013/9/8

2. 目次

概要

ユーザーはなぜ情報をクリックするか

Psychological Desireの影響

情報抽出と特徴量

Psychological Desire

実験

クリックモデル(Maxent)

3. 
クリックモデルの話

従来との相違点

クリックモデルにマーケティングを導入

従来

Relevance(What)：どの様な情報を探しているか
→Query Likelihood, Textal Feature, ...

History Click(How)：どの様な情報をクリックしたか
→Click Feedback Feature

本提案

Why：ユーザーはなぜ情報をクリックするか

クリックモデルの話

従来との相違点

クリックモデルにマーケティングを導入

従来

Relevance(What)：どの様な情報を探しているか
→Query Likelihood, Textal Feature, ...

History Click(How)：どの様な情報をクリックしたか
→Click Feedback Feature

本提案

Why：ユーザーはなぜ情報をクリックするか
概要:ユーザーはなぜ情報をクリックするのか

4. SEMでのマーケティング要素

ユーザーはどの様な経路で購入に至るのか

私はマーケッターでないので分かりません

SEは広告をクリックしてから購入に至るまでは分かりません

テキスト広告には購入に誘導させる文字が表示される
→従って、テキスト広告で表示される文字をヒントにし、
ユーザーの購入意欲を増幅させるクリックモデルを構築する

5. 購入意欲を増幅させる広告：例①

表示広告は検索クエリ
に対し適合している

第一表示CTR：7.3%

第二表示CTR：0.5%

なぜか？
Thought-based effects
→ユーザーは
表示広告を比較検討した

6. 購入意欲を増幅させる広告：例②

表示広告は検索クエリ
に対し適合している

第一表示CTR：16.7%

第二表示CTR：0.5%

なぜか？
Feeling-based effects
→ユーザーは
ブランド価値を判断した

7. 購入意欲を増幅させる要素

8. 
表示テキストがユーザーの消費行動に対し、
トリガーの様な働きをしている
→機械学習

Psychological Desireをマーケティングの観点
から分類
→マーケティング
まとめ
機械学習とマーケティングの融合

9. Psychological Desire
の影響

10. 解析の仕方

Relevanceがほぼ等しい一方、CTRは異なる
– Relevanceの計算方法
• <query, ad>に対しRankSVMでスコアを計算
• スコアを人力で5つのレベルに分
–計算結果
– <query, ad>についての、CTRとRelevanceスコア

Psychological Desireを含む広告のCTR

11. Equal Relevance, not equal CTR
The relative CTR difference
between two ads, a_i and a_j
about 75% of ad pairs yield more
than 20% CTR difference between ads

12. With or Without Psychological Desire
The ad smatched with either the pattern “coupon” or “x% off” yield
CTR which is significant larger than the average CTR over all ads

13. 情報抽出と特徴量生成
-Psychological Desire-

14. 情報抽出

15. 手順概要
①広告文からPsychological Desire自動抽出
→テキスト情報からクラスタリングにより分類
①クラスタリング結果をグルーピング
→マーケティングの観点から5つの階層に分類
機械学習とマーケティングの融合!

16. Psychological Desire
機械学習：クラスタリング
マーケティング：階層分け

17. データ取集
広告のテキスト文字から、3ルールに従いデータ抽出
1. The text content should cover enough volume
2. Similar content can reflect the specific same desire
3. Content from experienced advertisers are more important

18. PD自動抽出とグルーピング
Cleaning up content targeting for
relevance
Finding n-grams with high frequency
Pattern generalization via clustering
マーケティングの観点からグルーピング

19. 特徴量生成

20. 特徴量

Psychological Desire as Ad Features
Ad desire pattern features
Ad desire level features

Psychological Desire as User Features
Desire pattern matching features
Desire level matching features

21. 実験
-Maxent-

22. 提案手法

仮定：テキスト表示がユーザーの消費行動を決定

情報抽出：表示広告のTextual Patternsにより
Psychological desireを階層的に分類

特徴量：Ad Feature と User Feature

Maxentモデルを用いてCTRを予測

23. 実験設定（データ）

Bingから2週間分の検索クエリを取得

取得した全データからランダムサンプリングにより
以下のデータを取得

24. 特徴量比較
• HF: only uses historical click features
• HF-RF: uses historical click features and relevance
features
• HF-DPF: uses historical click features and desire pattern
features
• HF-DPLF: uses historical click features and both desire
pattern and desire level features
• HF-RF-DPF: uses historical click features, relevance
features, and desire pattern features
• HF-RF-DPLF: uses historical click features, relevance
features, and both desire pattern and desire level features

25. 結果①:Rich Ad

Rich Ad:1か月で70Imp以上(query, ad)

26. 結果②:Rare Ad

Rich Ad:1か月で70Imp未満(query, ad)

Psychological Desireに従う特徴量を加えると
Rich AdとRare Adは同等のパフォーマンス

27. 考察

ユーザーはなぜ情報をクリックするのか

Psychological Desireがユーザー行動を変容

機械学習よりテキストデータをクラスタリング

マーケティングの観点からクラスタリング結果を
5つのレベルに分類

Rich AdやRare Adに有効な特徴量