Factorization machines en la publicitat mòbil

Smadex és una empresa que disposa de tecnologia pròpia per mostrar anuncis en dispositius mòbils. Molts d’aquests anuncis mostren aplicacions que els usuaris poden descarregar-se. En aquest projecte, s’ha buscat millorar el model estadístic que l’empresa disposa per tal de predir la probabilitat que un usuari es descarregui l’aplicació anunciada en visualitzar l’anunci en una aplicació o pàgina web donada. Aquesta probabilitat s’utilitza per determinar el que Smadex està disposat a pagar per mostrar un anunci en aquella aplicació o pàgina web, sent el valor de l’aposta directament proporcional a la probabilitat de descàrrega estimada. El model que s’ha fet servir durant els últims dos anys per fer aquestes prediccions es tracta d’una regressió logística que utilitza una sèrie de variables. Davant la necessitat marcada per la indústria d’obtenir millors prediccions, la primera opció per obtenir un millor predictor ha sigut la d’afegir al model les interaccions entre aquestes variables. Afegir-les totes és impossible a causa de limitacions de memòria, i per tant, la primera millora realitzada ha consistit a afegir només la interacció de la variable que es considerava més influent, la Campanya. Aquesta solució ignora les interaccions entre les altres variables, i per aquest motiu l’autor d’aquest projecte ha decidit utilitzar un nou model, anomenat Factorization Machines. Aquest model sí que permet fer servir totes les interaccions per fer prediccions, tot aprofitant una tècnica de reducció de dimensionalitat. En aquest projecte s’ha realitzat la implementació d’aquestes dues millores, escrivint més de 1500 línies de codi, tant per entrenar els nous models com per obtenir les seves prediccions eficientment. Juntament amb aquest codi, s’han realitzat un seguit d’experiments on primer s’ha calibrat un dels hiperparàmetres del Factorization Machines i després s’ha comparat la bondat de les seves prediccions enfront de la solució inicial i la millora que afegeix la interacció de Campanya. El model de Factorization Machines ha obtingut unes millors prediccions enfront de la regressió logística original, però no ha sigut capaç de millorar els resultats de la regressió logística amb la interacció de Campanya. Tot i això, s’ha observat que ha sigut capaçd’estimar les interaccions entre totes les variables obtenint un temps d’entrenament inferior al model amb la interacció de Campanya. Donat que aquesta ha sigut la primera iteració del model, es pronostica la seva utilització en un futur un cop estigui més refina