Machine Learning Approaches for Imbalanced Data: Click-Through Rate Prediction and Click Fraud Detection

الموضوعات

علوم تطبيقية وتكنولوجية

روابط وملفات

التعريف والنوع

رقم الوثيقة

0cce64e3-5194-4f66-a061-e939ce936a4e

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل دكتوراة

نوع الملف

pdf text

أسماء الملفات

2431380_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"El Mamoun Souidi","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Nadir Sahllal","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

English

المصدر والدورية

اسم المصدر

Machine Learning Approaches for Imbalanced Data: Click-Through Rate Prediction and Click Fraud Detection

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

Cette thèse de recherche aborde les défis importants posés par les ensembles de données déséquilibrés dans le domaine de la publicité, en se concentrant sur la prédiction du taux de clics (CTR) et la détection de la fraude au clic. Elle explore l’impact du déséquilibre des données sur la prédiction du CTR, révélant comment cela affecte la précision prédictive et identifiant les caractéristiques clés essentielles pour la précision. L’étude se penche également sur le développement d’algorithmes avancés pour une détection optimisée de la fraude au clic, en employant des techniques d’apprentissage automatique comme XGBoost et des méthodes d’ensemble. Mettant l’accent sur la praticité et la reproductibilité, la recherche intègre un traitement approfondi des données et des méthodologies robustes adaptées aux applications du monde réel. Cette approche complète améliore non seulement la compréhension du déséquilibre des données dans la publicité, mais fournit également des solutions pratiques pour une prédiction efficace du CTR et la détection de la fraude au clic. La thèse se conclut avec des perspectives d’avenir, plaidant pour des recherches continues sur les considérations éthiques, le suivi des performances à long terme, la sélection avancée des caractéristiques et la détection de la fraude en temps réel, dans le but d’élargir l’applicabilité de ces résultats à d’autres domaines.

كلمات الباحثين

Mathématiques Appliquées et Informatiques Machine Learning Données déséquilibrées Taux de clics (CTR) Fraude au clic Publicité Apprtissage automatique

إشراف وإعداد

الإشراف

El Mamoun Souidi

الإعداد

Nadir Sahllal

الاقتباسات الببليوغرافية