Siap Mulai?
Jalankan campaign UA berbasis machine learning yang efektif berdasarkan contextual targeting.
Context Calculator
Dengan pembatalan IDFA pada iOS 14 mendatang, advertiser menghadapi tantangan untuk menemukan solusi targeting alternatif berbasis non-pengguna yang masih akan menghasilkan CPI kompetitif dan pengguna berharga - permainannya berbeda, tetapi tujuannya tetap sama, yaitu pertumbuhan secara efektif.
Karena contextual targeting kini menjadi populer, untuk mendapatkan informasi di luar kategori toko yang mudah dimanipulasi, kami menggunakan metode representasi kata ELMo untuk merepresentasikan setiap bundel sebagai vektor, sehingga dapat dilakukan pengukuran 'jarak' kontekstual antaraplikasi. Lalu, perhitungan jarak itu dimasukkan sebagai satu dari ratusan fitur lain dalam model prediksi kami dan berperan penting dalam logika bidding kami.
Untuk menekankan efektivitasnya, kami mengembangkan Context Distance Calculator. Kalkulator ini akan menunjukkan berbagai aplikasi yang paling dekat dengan aplikasi Anda dalam hal mekanik, tema, fitur, dan lainnya, berdasarkan perbandingan kompleks dari setiap deskripsi di toko aplikasi.
Temukan aplikasi yang berkaitan secara kontekstual
Nama aplikasi
Kategori
Aplikasi Terbaik yang Berkaitan secara Kontekstual
| No | Nama aplikasi | Kepastian |
|---|---|---|
| 1 | Billion Cash Slots-Casino Game | 100% Tingkat Kepastian 100% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 2 | Eon Slots Casino Vegas Game | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 3 | Cash Tornado Slots - Casino | 50% Tingkat Kepastian 50% - Kepastian Menengah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 4 | Super Vegas Slots Casino Games | 44% Tingkat Kepastian 44% - Kepastian Menengah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 5 | Vegas Nights Slots | 40% Tingkat Kepastian 40% - Kepastian Menengah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 6 | Tycoon Casino - Vegas Slots | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 7 | Winning Slots Las Vegas Casino | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 8 | Cash Frenzy - Slots Casino | 60% Tingkat Kepastian 60% - Kepastian Menengah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 9 | Vegas Slots - 7Heart Casino | 10% Tingkat Kepastian 10% - Kepastian Rendah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 10 | Slots Casino - Vegas Slot Machine Games | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
1
Billion Cash Slots-Casino Game
100%
Tingkat Kepastian
100% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
2
Eon Slots Casino Vegas Game
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
3
Cash Tornado Slots - Casino
50%
Tingkat Kepastian
50% - Kepastian Menengah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
4
Super Vegas Slots Casino Games
44%
Tingkat Kepastian
44% - Kepastian Menengah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
5
Vegas Nights Slots
40%
Tingkat Kepastian
40% - Kepastian Menengah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
6
Tycoon Casino - Vegas Slots
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
7
Winning Slots Las Vegas Casino
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
8
Cash Frenzy - Slots Casino
60%
Tingkat Kepastian
60% - Kepastian Menengah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
9
Vegas Slots - 7Heart Casino
10%
Tingkat Kepastian
10% - Kepastian Rendah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
10
Slots Casino - Vegas Slot Machine Games
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
| No | Nama aplikasi | Kepastian |
|---|---|---|
| 11 | Epic Vegas Slots - Casino Game | 40% Tingkat Kepastian 40% - Kepastian Menengah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 12 | Slots of Vegas | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 13 | Slots: Vegas Casino Slot Games | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 14 | Vegas Casino & Slots: Slottist | 88% Tingkat Kepastian 88% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 15 | LuckyBomb Casino Slots | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 16 | Slots Mega Win Casino Game | 75% Tingkat Kepastian 75% - Kepastian Menengah-Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 17 | High 5 Casino: Home of Slots | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 18 | Winner Slots Casino Games | 20% Tingkat Kepastian 20% - Kepastian Rendah Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 19 | Cash Tap Casino: Slot Machines | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
| 20 | Cash Tap Casino: Slot Machines | 90% Tingkat Kepastian 90% - Kepastian Tinggi Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi. Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan. |
11
Epic Vegas Slots - Casino Game
40%
Tingkat Kepastian
40% - Kepastian Menengah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
12
Slots of Vegas
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
13
Slots: Vegas Casino Slot Games
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
14
Vegas Casino & Slots: Slottist
88%
Tingkat Kepastian
88% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
15
LuckyBomb Casino Slots
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
16
Slots Mega Win Casino Game
75%
Tingkat Kepastian
75% - Kepastian Menengah-Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
17
High 5 Casino: Home of Slots
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
18
Winner Slots Casino Games
20%
Tingkat Kepastian
20% - Kepastian Rendah
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
19
Cash Tap Casino: Slot Machines
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
20
Cash Tap Casino: Slot Machines
90%
Tingkat Kepastian
90% - Kepastian Tinggi
Karena konteks sangat berbeda, kami juga memberikan tingkat kepastian untuk model kami dalam hubungan kontekstual antara kedua aplikasi.
Kepastian dipengaruhi oleh panjang deskripsi aplikasi, jumlah kata yang ambigu di dalamnya, dan tingkat kejelasan secara keseluruhan.
Hasil Bundel
Masukkan ID bundel dan klik “Hitung” untuk melihat berbagai aplikasi yang memiliki konteks serupa.
Mengapa ELMo?
Saat mengembangkan fitur-fitur yang berkaitan dengan konteks untuk model prediksi instal dan pembelian, kami mempertimbangkan dua gagasan utama awal: konteks berperan penting dalam memprediksi perilaku pengguna dan ad engagement, serta konteks dapat memiliki perbedaan yang signifikan.
Gagasan ini menganggap penggunaan kategori toko tidak berguna karena memiliki bias bawaan dan dalam beberapa kasus, ketidakakuratan yang jelas akibat masalah ASO. Selain itu, pendekatan lain, seperti membuat kategori sendiri melalui pengelompokan menggunakan metode topic modeling (seperti LDA atau W2V), tidak memberikan informasi dan peningkatan akurasi yang kami harapkan. Oleh karena itu, kami sadar bahwa kami harus menemukan cara untuk merepresentasikan setiap bundel secara individu.
Setelah menimbang kompleksitas dari tugas dan tool yang sering digunakan machine learning untuk menyelesaikan masalah terkait bahasa, para ilmuwan data kami melakukan penelitian yang mengarah ke pengujian ELMo. ELMo menggunakan jaringan neural untuk mengetahui hubungan antarkata dan maknanya saat digunakan dalam konteks berbeda, dengan mempelajari frasa-frasa yang digunakan dalam 5,5 miliar set data token (kata dan bagian-bagian yang menyusunnya).
Setelah dilatih, model ELMo merepresentasikan setiap kata sebagai vektor, sehingga kami dapat mengukur jarak kosinus antarkata, yang menunjukkan level kemiripan semantik dan sintaksis. Karena mempertimbangkan setiap kata itu sangat penting untuk memahami konteks, ELMo terbukti sebagai salah satu pilihan yang paling andal untuk tugas kompleks.
Contoh seberapa dekat vektor kata secara kontekstual, melalui pengukuran yang efektif menggunakan jarak kosinus
- Cluster 1
- Cluster 2
- Cluster 3
- Vektor Kata
- Bobot
- Representasi Bundel
- Model ML
Gambaran bagaimana vektor bundel terbentuk dari jumlah tertimbang agregat dari kata-katanya
Representasi Vektor Bundel
Setelah menghasilkan vektor kata, langkah selanjutnya adalah mengumpulkannya untuk setiap bundel, dengan cara yang merepresentasikan konteksnya secara efektif. Seolah-olah memasukkan seluruh deskripsi toko ke dalam satu representasi vektor agar kami dapat mengukur 'jarak' kontekstual antaraplikasi yang berbeda.
Ini ternyata merupakan langkah yang paling sulit dalam proses penelitian dan pengembangan kami. Merata-rata vektor dari semua kata dalam deskripsi toko aplikasi memang masuk akal, tetapi akan menyebabkan hilangnya data berharga yang berkaitan dengan frekuensi kemunculan atau perulangan kata tertentu dalam deskripsi toko aplikasi tertentu, serta seluruh corpusnya.
Setelah melakukan pengujian ekstensif, pendekatan yang menghasilkan informasi terbanyak adalah yang berbasis pada statistik angka pokok dalam NLP (natural language programming, bidang machine learning yang fokus pada analisis teks) - TFIDF - Term Frequency Inverse (to) Document Frequency, yang pada dasarnya menunjukkan tingkat kelangkaan kata tertentu dalam suatu corpus.
Pada akhirnya, representasi bundel kami berkembang menjadi rata-rata tertimbang dari setiap vektor kata, dikalikan dengan nilai TFIDF yang ternormalisasi, untuk memberi penekanan pada kata-kata yang lebih langka dan berbeda, yang biasanya menunjukkan tema, mekanik, dan fitur unik dari setiap aplikasi, sehingga memberikan model kami informasi yang sangat granular tetapi berharga.