Psychological Advertising:Exploring User Psychology for Click Prediction in Sponsored

SearchKDD読み会

@Quasi_quant20102013/9/8

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)

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

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

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

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

購入意欲を増幅させる要素

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

Psychological Desireの影響

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

Equal Relevance, not equal CTRThe relative CTR differencebetween two ads, a_i and a_j

about 75% of ad pairs yield morethan 20% CTR difference between ads

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

情報抽出と特徴量生成-Psychological Desire-

情報抽出

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!

Psychological Desire機械学習：クラスタリング

マーケティング：階層分け

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

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

特徴量生成

特徴量 Psychological Desire as Ad FeaturesAd desire pattern featuresAd desire level features

Psychological Desire as User FeaturesDesire pattern matching featuresDesire level matching features

実験-Maxent-

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

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

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

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

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

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