Дослідження методів і алгоритмів машинного навчання у системах Real-Time Bidding

Abstract

У роботі проведено аналіз сучасних методів прогнозування CTR у системах Real‑Time Bidding та запропоновано комбінований підхід, який інтегрує некеровану (unsupervised) кластеризацію аудиторії з багаторівневим ансамблюванням моделей (CatBoost і DeepFM). Експерименти на відкритих наборах даних iPinYou, Avazu та Criteo засвідчили статистично значуще підвищення AUC і зниження логарифмічної втрати (logarithmic loss) порівняно з глобальними моделями, що трансформувалося у +4,3 % приросту доходу DSP при сталому бюджеті. Запропоноване рішення також виявило підвищену стійкість до збільшення невалідних даних завдяки інкрементальному оновленню кластерів у режимі реального часу.