بازگشت به جستجو

تقویت مدل‌های یادگیری عمیق برای پیش‌بینی مشارکت کمپین

عنوان	تقویت مدل‌های یادگیری عمیق برای پیش‌بینی مشارکت کمپین
نویسنده	ایواز، دیمت
تاریخ انتشار:	2019-07-31
موضوع	یادگیری عمیق، طبقه بندی، استخراج ویژگی
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	2277ed17-8f09-489b-a479-0063d1177a17
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2019-07-31
متن نمونه	شرکت ها با مشتریان خود درگیر می شوند تا یک رابطه بلندمدت برقرار کنند. هدف قرار دادن مخاطبان مناسب با محصول مناسب برای ارائه خدمات بهتر به مشتریان، افزایش وفاداری آنها به شرکت و کسب سود بالا بسیار مهم است. بنابراین، شرکت‌ها سرمایه‌گذاری‌های هنگفتی را برای ساختن سیستم‌های مدیریت کمپین انجام می‌دهند که عمدتاً مبتنی بر قوانین هستند و به شدت به بینش تجاری و تخصص انسانی وابسته هستند. در دهه گذشته، سیستم های توصیه معمولا از تکنیک های مدل سازی مانند یادگیری عمیق برای درک و پیش بینی علایق مشتریان استفاده می کنند. شبکه های عصبی عمیق کلاسیک در یادگیری روابط پنهان در داده ها خوب هستند (تعمیم). با این حال، آنها توانایی محدودی برای حفظ کردن دارند. مدل شبکه گسترده و عمیق، که در اصل برای برنامه Google Play پیشنهاد شده است. توصیه، با ترکیب مدل های شبکه گسترده و عمیق در یک شبکه مشترک به این مشکل می پردازد. با این حال، این مدل به دانش تخصصی حوزه و ویژگی های دستی ساخته شده نیاز دارد تا از حفظ کردن بهره مند شود. در این پایان نامه، ما از مدل های شبکه گسترده و عمیق برای پیش بینی مشارکت کمپین، به ویژه در حوزه مخابرات حمایت می کنیم. برای پرداختن به موضوع فوق با آن مدل، این پایان نامه ایده استفاده از درخت های تصمیم را برای ایجاد خودکار ویژگی های ترکیبی (تغییر محصول متقابل ویژگی های موجود) به جای مطالبه آنها از متخصصان انسانی معرفی می کند. مجموعه ای از آزمایشات جامع بر روی داده های مشارکت کمپین از یک ارائه دهنده پیشرو GSM انجام شده است. نتایج نشان داده‌اند که ویژگی‌های ساخته‌شده به‌طور خودکار باعث افزایش قابل‌توجهی در دقت می‌شوند و از مدل‌های Deep و Wide & Deep با ویژگی‌های دستی بهتر عمل می‌کنند. علاوه بر این، از آنجایی که تعداد محدودی از دسترسی به مشتریان مجاز است، ایجاد خدمات هدفمندی که احتمالاً توسط مشتریان قابل قبول باشد، نقش مهمی ایفا می کند. بنابراین، یک پیش‌بینی مؤثر مشارکت در کمپین نیازمند اجتناب از پیش‌بینی‌های مثبت نادرست است. بر این اساس، ما تحقیقات خود را به سمت عدم قطعیت طبقه بندی گسترش دادیم تا مدل های شبکه ای بسازیم که می توانند پیش بینی کنند که آیا آنها شکست خواهند خورد یا خیر. در نتیجه، ما مدل‌های یادگیری عمیق شواهدی را برای ثبت عدم قطعیت در پیش‌بینی اتخاذ می‌کنیم. ارزیابی تجربی ما در مورد عدم قطعیت پیش‌بینی نشان داده است که رویکرد پیشنهادی برای پیش‌بینی‌های صحیح مطمئن‌تر است در حالی که برای پیش‌بینی‌های نادرست نامطمئن‌تر است. Do gru kitleyi do gru urunle hede emek, mu sterilere daha iyi hizmet sunarak sirkete olan ba gl l klar n art rma ve dolay s yla sirket gelirlerini art rma noktas nda kritik onem ta s r. بو ندنله سیرکتلر، کو گونلوکلا کورال بازل کال سان و انسان اوزمانل گ نا دایال کمپین یونتیم سیستملری اولو استورمک ای چین بیوک یات رملار یاپمکتاد ر. سون روی ی لدا اونری سیستملری جنلیکله مو استریلرین بیکلنتیرینی آنلامک و تهمینلمک اماک یلا درین او گرنمه گیبی مدللمه تکنیکلرینی د کولانمکتاد ر. کلاسیک درین سینیر آ گلار ویری ای سیندکی گیزلی ایلی اسکیلری و گرنمده اولدوک کا با سار ل د ر (جئنلمه) انجاک هات رلاما نوکتاس آندا داها س ان رل یتکنلیکلری وارد ر. Aslen Google Play uygulamas i cin tasarlanan Wide & Deep o grenme modeli Wide ve Deep a g modellerini tek bir model i cerisinde birle stirerek bu soruna cozum sunmaktad r. بونونلا بیرلیکته، بو مدل، اوزمان بیلگیسینه و اوزمانلار طراف ندان بیردن فضلا ورینین بیر آرایا گئتیریلمسی ایله حاز رلانم س گیردیلره احتیا سی دویار. Bu tezde، ozellikle telekomunikasyon alan nda، kampanya kat l m tahmini i cin Wide & Deep a g modellerini kullanmay oneriyoruz. تز کپسام ندا، مدللرده اوزمان بیلگیسینه دویولان ایهتیاچ اورتادان کالد رماک اماک یلا، با گ مث ز د گی اسکنلر آراس ندکی کپراز ایلی اسکیلری اوتوکاماتیک اولاراک اولو استورمک ای سین کرار آ گاکلار n kullanan بیر یونتم گلیله کتیرینل. n i ceren ger cek veri setleri uzerinde kapsaml bir de gerlendirme yap lm st r. Yap lan kar s la st rma sonucunda onerilen yontem ile Wide & Deep model performans n n onemli oranda art r labildi gi ve Deep, Wide & Deep modellerden daha iyi sonu clar elde edildi gi gozlemlenmi estir. آیر کا، کمپان سیستملرینده سادسه س ن رل می گویند دا مو استری ایری سیمه ایزین ویریلدی گیندن، کابل ادیلمه اهتیمالی ان یوکسک اولان تکلی ایرین مو استریه سونولماس کریتیک اونم تا س مکتاد ر. Dolay s yla, kampanya kat l m n n ba sar yla tahminlenebilmesi hatal tahminlerden ka c nmay da gerektirmektedir. بو ندنله با سار س ز اولوپ اولمایاجاکلار ن تهمین ادبی لچک آ گ مدللری اولو استورمک اماک یلا آرا است رمام ز س ن و رما بیلیرسیزلی گی کونوسوندا جنی سلترک کان تا دایال درین و گرنمه مدللرینی کال اسمم زاهیل. سونو کلار، اونریلن مدلین دو گرو س ان و ر لم س او گلر اوزرینده ان دو سوک بیلیرسیزلیک د گرینه صهیپ اولدو گونو، یانل س س ان و رد گ او گلر اوزرینده ایسه داها یوکسک بیلیرسیکلیکله کارار ورمی اس اولدو گونو گوسترمدک.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

تقویت مدل‌های یادگیری عمیق برای پیش‌بینی مشارکت کمپین

نویسنده ایواز، دیمت

تاریخ انتشار 2019-07-31

موضوع یادگیری عمیق، طبقه بندی، استخراج ویژگی

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 2277ed17-8f09-489b-a479-0063d1177a17

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2019-07-31

متن نمونه شرکت ها با مشتریان خود درگیر می شوند تا یک رابطه بلندمدت برقرار کنند. هدف قرار دادن مخاطبان مناسب با محصول مناسب برای ارائه خدمات بهتر به مشتریان، افزایش وفاداری آنها به شرکت و کسب سود بالا بسیار مهم است. بنابراین، شرکت‌ها سرمایه‌گذاری‌های هنگفتی را برای ساختن سیستم‌های مدیریت کمپین انجام می‌دهند که عمدتاً مبتنی بر قوانین هستند و به شدت به بینش تجاری و تخصص انسانی وابسته هستند. در دهه گذشته، سیستم های توصیه معمولا از تکنیک های مدل سازی مانند یادگیری عمیق برای درک و پیش بینی علایق مشتریان استفاده می کنند. شبکه های عصبی عمیق کلاسیک در یادگیری روابط پنهان در داده ها خوب هستند (تعمیم). با این حال، آنها توانایی محدودی برای حفظ کردن دارند. مدل شبکه گسترده و عمیق، که در اصل برای برنامه Google Play پیشنهاد شده است. توصیه، با ترکیب مدل های شبکه گسترده و عمیق در یک شبکه مشترک به این مشکل می پردازد. با این حال، این مدل به دانش تخصصی حوزه و ویژگی های دستی ساخته شده نیاز دارد تا از حفظ کردن بهره مند شود. در این پایان نامه، ما از مدل های شبکه گسترده و عمیق برای پیش بینی مشارکت کمپین، به ویژه در حوزه مخابرات حمایت می کنیم. برای پرداختن به موضوع فوق با آن مدل، این پایان نامه ایده استفاده از درخت های تصمیم را برای ایجاد خودکار ویژگی های ترکیبی (تغییر محصول متقابل ویژگی های موجود) به جای مطالبه آنها از متخصصان انسانی معرفی می کند. مجموعه ای از آزمایشات جامع بر روی داده های مشارکت کمپین از یک ارائه دهنده پیشرو GSM انجام شده است. نتایج نشان داده‌اند که ویژگی‌های ساخته‌شده به‌طور خودکار باعث افزایش قابل‌توجهی در دقت می‌شوند و از مدل‌های Deep و Wide & Deep با ویژگی‌های دستی بهتر عمل می‌کنند. علاوه بر این، از آنجایی که تعداد محدودی از دسترسی به مشتریان مجاز است، ایجاد خدمات هدفمندی که احتمالاً توسط مشتریان قابل قبول باشد، نقش مهمی ایفا می کند. بنابراین، یک پیش‌بینی مؤثر مشارکت در کمپین نیازمند اجتناب از پیش‌بینی‌های مثبت نادرست است. بر این اساس، ما تحقیقات خود را به سمت عدم قطعیت طبقه بندی گسترش دادیم تا مدل های شبکه ای بسازیم که می توانند پیش بینی کنند که آیا آنها شکست خواهند خورد یا خیر. در نتیجه، ما مدل‌های یادگیری عمیق شواهدی را برای ثبت عدم قطعیت در پیش‌بینی اتخاذ می‌کنیم. ارزیابی تجربی ما در مورد عدم قطعیت پیش‌بینی نشان داده است که رویکرد پیشنهادی برای پیش‌بینی‌های صحیح مطمئن‌تر است در حالی که برای پیش‌بینی‌های نادرست نامطمئن‌تر است. Do gru kitleyi do gru urunle hede emek, mu sterilere daha iyi hizmet sunarak sirkete olan ba gl l klar n art rma ve dolay s yla sirket gelirlerini art rma noktas nda kritik onem ta s r. بو ندنله سیرکتلر، کو گونلوکلا کورال بازل کال سان و انسان اوزمانل گ نا دایال کمپین یونتیم سیستملری اولو استورمک ای چین بیوک یات رملار یاپمکتاد ر. سون روی ی لدا اونری سیستملری جنلیکله مو استریلرین بیکلنتیرینی آنلامک و تهمینلمک اماک یلا درین او گرنمه گیبی مدللمه تکنیکلرینی د کولانمکتاد ر. کلاسیک درین سینیر آ گلار ویری ای سیندکی گیزلی ایلی اسکیلری و گرنمده اولدوک کا با سار ل د ر (جئنلمه) انجاک هات رلاما نوکتاس آندا داها س ان رل یتکنلیکلری وارد ر. Aslen Google Play uygulamas i cin tasarlanan Wide & Deep o grenme modeli Wide ve Deep a g modellerini tek bir model i cerisinde birle stirerek bu soruna cozum sunmaktad r. بونونلا بیرلیکته، بو مدل، اوزمان بیلگیسینه و اوزمانلار طراف ندان بیردن فضلا ورینین بیر آرایا گئتیریلمسی ایله حاز رلانم س گیردیلره احتیا سی دویار. Bu tezde، ozellikle telekomunikasyon alan nda، kampanya kat l m tahmini i cin Wide & Deep a g modellerini kullanmay oneriyoruz. تز کپسام ندا، مدللرده اوزمان بیلگیسینه دویولان ایهتیاچ اورتادان کالد رماک اماک یلا، با گ مث ز د گی اسکنلر آراس ندکی کپراز ایلی اسکیلری اوتوکاماتیک اولاراک اولو استورمک ای سین کرار آ گاکلار n kullanan بیر یونتم گلیله کتیرینل. n i ceren ger cek veri setleri uzerinde kapsaml bir de gerlendirme yap lm st r. Yap lan kar s la st rma sonucunda onerilen yontem ile Wide & Deep model performans n n onemli oranda art r labildi gi ve Deep, Wide & Deep modellerden daha iyi sonu clar elde edildi gi gozlemlenmi estir. آیر کا، کمپان سیستملرینده سادسه س ن رل می گویند دا مو استری ایری سیمه ایزین ویریلدی گیندن، کابل ادیلمه اهتیمالی ان یوکسک اولان تکلی ایرین مو استریه سونولماس کریتیک اونم تا س مکتاد ر. Dolay s yla, kampanya kat l m n n ba sar yla tahminlenebilmesi hatal tahminlerden ka c nmay da gerektirmektedir. بو ندنله با سار س ز اولوپ اولمایاجاکلار ن تهمین ادبی لچک آ گ مدللری اولو استورمک اماک یلا آرا است رمام ز س ن و رما بیلیرسیزلی گی کونوسوندا جنی سلترک کان تا دایال درین و گرنمه مدللرینی کال اسمم زاهیل. سونو کلار، اونریلن مدلین دو گرو س ان و ر لم س او گلر اوزرینده ان دو سوک بیلیرسیزلیک د گرینه صهیپ اولدو گونو، یانل س س ان و رد گ او گلر اوزرینده ایسه داها یوکسک بیلیرسیکلیکله کارار ورمی اس اولدو گونو گوسترمدک.