Готовы начать?
Используйте контекстный таргетинг на для проведения успешных UA кампаний
После отмены IDFA на iOS 14 перед рекламодателями встала задача найти альтернативное, не основанное на IDFA, решение для таргетинга аудитории, которое бы по-прежнему генерировало конкурентоспособные CPI и подходящих пользователей. Игра изменилась, но цель осталась прежней - эффективный рост.
Поскольку контекстный таргетинг является теперь важным и основным элементом для получения информации, которая выходит за рамки стандартных категории стора, мы используем метод отражения тематического набора слов, называемый ELMo, для отображения каждой связки в качестве вектора, что позволяет нам измерять контекстное 'расстояние' между приложениями. Рассчитанное расстояние затем подается как одна из сотен других функций в наших моделях прогнозирования и играет значительную роль в логике бида, который делает наша система.
Чтобы показать его пользу, мы создали Контекстный Калькулятор. С его помощью вы сможете увидеть приложения, наиболее схожими с вашим приложением, с точки зрения механики, тематики и в целом содержимого, основываясь на сложном сравнении текстого описания каждого отдельного приложения в сторах.
При проектировании контекстных функций для наших prediction моделей по инсталлам и покупкам, мы использовали два основных понятия: контекст играет главную роль в прогнозировании поведения пользователей и их вовлеченности в рекламу, а сам контекст может быть более детализированным и глубоким.
Категории в сторах, которые приписываются приложениям, являются не точными и порой совершенно бесполезными, из-за проблем с ASO или из-за более широкого понимания категорий самими сторами. Такие подходы, как создание собственного набора категорий путем кластеризации с использованием моделирования (например, LDA или W2V) не привели к получению нужного нам результата и на базе этого, стало понятно, что мы должны найти способ разложить каждое приложение по отдельности на контектстную составляющую.
После обучения модели ELMo каждое слово отображается ввиде вектора и это позволяет нам измерять косинусное расстояние между каждым отдельным словом, который указывает на уровень семантического и синтаксического сходства между ними.
Поскольку понимание каждого слова имеет решающее значение для определения контекста, ELMo оказывается одним из самых надежных вариантов для решения столь сложной задачи.
Пример того, как словесные векторы близки по контексту, будучи эффективно измерены косинусным расстоянием.
Представление того, как формируется Bundle вектор из взвешенного суммирования его словесного содержимого.
После формирования словесных векторов, следующим шагом является их объединение для каждой связки таким образом, чтобы эффективно отразить ее контекст.
По принципу 'встраивания' всего описания из стора в единое векторное отображение, чтобы можно было измерить контекстное 'отличие' между разными приложениями.
После проведения развёрнутого тестирования, подход, который позволил получить наибольшее количество информации был основан на использовании числовой статистики в NLP (программирование на естественном языке, область машинного обучения, которая фокусируется на анализе текста) - TFIDF - Понятие обратной частоты к частоте документа, которое в основном указывает на редкость конкретных слов внутри текстового блока.
В конечном счете, наше видение Bundle эволюционировало в средневзвешенную величину каждого словесного вектора, умноженную на значение TFIDF, чтобы сделать акцент на более редких и детализированных словах, которые обычно выражают уникальные темы, механику и особенности каждого приложения, и, таким образом, предоставить нашим моделям очень детальную и в то же время ценную информацию.
Используйте контекстный таргетинг на для проведения успешных UA кампаний