La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Learning framework for eCPM prediction in online advertisement

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Abdallah, Marwa Tageldien Thabet (2022). Learning framework for eCPM prediction in online advertisement. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of ABDALLAH_Marwa_Tageldien_Thabet.pdf]
Prévisualisation
PDF
Télécharger (2MB) | Prévisualisation

Résumé

Nowadays, online advertising becomes the most popular tool for buying and selling all products. Especially after the appearance of COVID-19, online advertising has become a big challenge for all web advertisers and web publishers to increase their revenues. All web advertisers seek to buy empty ad slots at low prices. At the same time, all web publishers seek to sell their ads spaces and achieve high revenues. Selling publishers ad space happens in real-time through Real-Time Bidding (RTB) platform. So, there is no specific price for selling publisher’s ads spaces. The ad space price is specified based on the market demand at a time. The publishers wish if they can know the optimal ad space price that achieves the highest revenue. In this thesis, we are trying to help publishers to increase their revenues by trying to predict the average Effective Cost per Mille (eCPM) price for ads spaces. We are trying to forecast the average eCPM around certain date for the next 7, 14, and 30 days from today based on the eCPM history. We used different models trying to achieve this goal. In this thesis, we used K-Nearest Neighbors (KNN), Multi Layer Perceptron (MLP), and Long Short-Term Memory (LSTM) models on four different datasets trying to reach the best model accuracy.

Titre traduit

Cadre d’apprentissage pour la prédiction de l’eCPM dans la publicité en ligne

Résumé traduit

De nos jours, la publicité en ligne devient l’outil le plus populaire pour acheter et vendre tous les produits. Surtout après l’apparition de COVID-19, la publicité en ligne est devenue un grand défi pour tous les annonceurs et éditeurs de sites Web afin d’augmenter leurs revenus. Tous les annonceurs web cherchent à acheter des emplacements publicitaires vides à bas prix. En même temps, tous les éditeurs de sites Web cherchent à vendre leurs espaces publicitaires et à obtenir des revenus élevés. La vente des espaces publicitaires des éditeurs se fait en temps réel sur une plateforme de Real-Time Bidding (RTB). Il n’y a donc pas de prix spécifique pour la vente des espaces publicitaires des éditeurs. Le prix de l’espace publicitaire est spécifié en fonction de la demande du marché à un moment donné. Les éditeurs souhaitent connaître le prix optimal de l’espace publicitaire qui leur permettra d’obtenir les meilleurs revenus. Dans ce mémoire, nous essayons d’aider les éditeurs à augmenter leurs revenus en essayant de prévoir le prix moyen des espaces publicitaires. Nous essayons de prévoir le Effective Cost per Mille (eCPM) moyen autour d’une certaine date pour les 7, 14 et 30 prochains jours à partir d’aujourd’hui en nous basant sur l’historique du eCPM. Nous avons utilisé différents modèles pour tenter d’atteindre cet objectif. Dans cette thèse, nous avons utilisé les modèles K-Nearest Neighbors (KNN), Multi Layer Perceptron (MLP), et Long Short-Term Memory (LSTM) sur quatre jeux de données différents en essayant d’atteindre la meilleure précision du modèle.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 71-75).
Mots-clés libres: publicité en ligne, enchères en temps réel, eCPM, KNN, MLP, LSTM
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Giard, Pascal
Programme: Maîtrise en ingénierie > Génie électrique
Date de dépôt: 18 mai 2022 14:54
Dernière modification: 18 mai 2022 14:54
URI: https://espace.etsmtl.ca/id/eprint/2971

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt