Details

Объектом выпускной квалификационной работы являются рекламные кампании и процессы показа рекламных объявлений пользователям цифровой платформы. Цель работы заключается в разработке и исследовании программного комплекса прогнозирования количества просмотров рекламных объявлений на основе моделей машинного обучения. В работе выполнен анализ предметной области и исходных данных, сформулированы требования к программному комплексу, разработано признаковое пространство и проведено сравнение моделей машинного обучения. Для прогнозирования использовались данные о пользователях, истории показов и параметрах рекламных кампаний. В качестве целевых метрик рассматривались доли пользователей, увидевших объявление хотя бы один, два и три раза. Качество моделей оценивалось по метрике SMLAR. В ходе исследования были обучены и сравнены Ridge Regression, Random Forest, CatBoost, CatBoost Tweedie и Stacking Ensemble. Наилучший результат показал ансамблевый подход Stacking Ensemble. На основе выбранного подхода реализован программный комплекс, включающий пользовательский интерфейс, серверное приложение, ML-конвейер, базу данных PostgreSQL и контейнерное окружение. Проведено функциональное, интеграционное и нагрузочное тестирование, подтвердившее работоспособность основных компонентов системы. Результаты работы могут быть использованы как основа для дальнейшего развития системы прогнозирования охвата рекламных объявлений и применения моделей машинного обучения в задачах рекламной аналитики.

The object of the graduate qualification work is advertising campaigns and the process of displaying advertisements to users of a digital platform. The aim of the work is to develop and study a software system for predicting the number of advertisement views based on machine learning models. The work includes an analysis of the subject area and input data, formulation of requirements for the software system, feature engineering, and comparison of machine learning models. User data, advertising impression history, and campaign parameters were used for prediction. The target metrics were the shares of users who saw an advertisement at least once, at least twice, and at least three times. Model quality was evaluated using the SMLAR metric. During the study, Ridge Regression, Random Forest, CatBoost, CatBoost Tweedie, and Stacking Ensemble models were trained and compared. The best result was achieved by the Stacking Ensemble approach. Based on the selected approach, a software system was implemented, including a user interface, a server application, an ML pipeline, a PostgreSQL database, and a containerized environment. Functional, integration, and load testing were conducted and confirmed the operability of the main system components. The results of the work can be used as a basis for further development of an advertising reach prediction system and for applying machine learning models to advertising analytics tasks.