Click prediction boosting via Bayesian hyperparameter optimization based ensemble learning pipelines
यह शोध पत्र एक बेयसियन हाइपरपैरामीटर अनुकूलन-आधारित एन्सेम्बल लर्निंग पाइपलाइन का प्रस्ताव करता है जो ऑनलाइन ट्रैवल एजेंसियों के लिए होटल क्लिक भविष्यवाणी की सटीकता में लगभग 10% सुधार करने के लिए फीचर एलिमिनेशन को स्टैक्ड मॉडल के साथ जोड़ता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंटरनेट की कल्पना एक विशाल, हलचल भरे डिजिटल बाज़ार के रूप में करें जहाँ लाखों लोग सोने के लिए एक आदर्श जगह की तलाश में घूम रहे हैं। कमरा बुक करने से पहले, वे अक्सर "मेटा-सर्च" साइटों पर जाते हैं—इन्हें कायाक (Kayak) या ट्रिपएडवाइजर (TripAdvisor) जैसे विशाल तुलनात्मक केंद्रों के रूप में समझें—जहाँ वे एक साथ दर्जनों विभिन्न ट्रैवल एजेंसियों की कीमतें और समीक्षाएं देख सकते हैं। इस भीड़भाड़ वाले बाज़ार में ध्यान आकर्षित करने के लिए, ट्रैवल एजेंसियां विज्ञापनों के लिए भुगतान करती हैं। लेकिन पेचीदा बात यह है कि वे आमतौर पर केवल तभी भुगतान करती हैं जब वास्तव में कोई उनके विज्ञापन पर क्लिक करता है। यदि वे कीमत का गलत अनुमान लगाती हैं, तो वे उन क्लिक्स पर एक बड़ी राशि खर्च कर सकती हैं जो कभी हुए ही नहीं, या इससे भी बुरा, वे बहुत कम बोली लगा सकती हैं और हजारों संभावित ग्राहकों को खो सकती हैं। इसलिए, इन एजेंसियों के लिए बड़ा सवाल यह है: "यदि हम इस विशिष्ट संख्या पर अपनी कीमत तय करते हैं, तो कितने लोग वास्तवक में क्लिक करेंगे?"
इस प्रश्न का उत्तर देने के लिए, वैज्ञानिक कंप्यूटर विज्ञान की एक शाखा का उपयोग करते हैं जिसे मशीन लर्निंग कहा जाता है, जो मूल रूप से कंप्यूटर को कठोर नियमों का पालन करने के बजाय डेटा में पैटर्न खोजने के लिए सिखाना है। एक लोकप्रिय विधि "एन्सेम्बल लर्निंग" (ensemble learning) है, जो जासूसों की एक सुपर-टीम बनाने जैसा है। केवल एक जासूस पर भरोसा करने के बजाय जो शायद कोई सुराग छोड़ दे, आप एक पूरी टीम इकट्ठा करते हैं, उन्हें प्रत्येक मामले की जांच करने देते हैं, और फिर अधिक सटीक उत्तर प्राप्त करने के लिए उनके सिद्धांतों को मिलाते हैं। यह शोध पत्र उस दुनिया में उतरता है, जो ऑनलाइन ट्रैवल एजेंसियों के लिए होटल क्लिक की भविष्यवाणी करने के लिए एल्गोरिदम की एक अंतिम टीम बनाने की कोशिश कर रहा है।
इस अध्ययन के लेखकों ने तुर्की की एक प्रमुख ऑनलाइन ट्रैवल एजेंसी के एक विशाल डेटासेट का उपयोग करके क्लिक-प्रेडिक्शन की पहेली को हल करने का लक्ष्य रखा। उन्होंने इस समस्या के लिए केवल एक एल्गोरिदम का उपयोग नहीं किया; इसके बजाय, उन्होंने भविष्यवक्ताओं की एक "ड्रीम टीम" बनाने के लिए एक परिष्कृत पाइपलाइन बनाई। सबसे पहले, उन्होंने बिखरे हुए डेटा को साफ किया, छूटे हुए हिस्सों को भरा और मौसम की रिपोर्ट और यह जानकारी जैसे सहायक संदर्भ जोड़े कि कोई दिन छुट्टी के कितने करीब था। फिर, उन्होंने एक स्मार्ट फ़िल्टरिंग प्रक्रिया (जो XGBoost नामक टूल पर आधारित थी) का उपयोग करके शोर मचाने वाली, अनुपयोगी जानकारी को हटा दिया, जिससे केवल सबसे महत्वपूर्ण सुराग ही बचे।
इसके बाद, उन्होंने दस अलग-अलग प्रकार के गणितीय मॉडल प्रशिक्षित किए, जो जटिल ट्री-बेस्ड सिस्टम से लेकर सरल रैखिक समीकरणों (linear equations) तक विस्तृत थे। लेकिन असली जादू तब हुआ जब उन्होंने इन मॉडलों को मिलाया। उन्होंने इन मॉडलों को मिलाने के चार अलग-अलग तरीके आजमाए: उनके उत्तरों का साधारण औसत निकालना, समझदार मॉडलों को अधिक महत्व देना, और दो उन्नत तकनीकों "स्टैकिंग" (stacking) और "ब्लेंडिंग" (blending) का उपयोग करना। स्टैकिंग ऐसी है जैसे पहली टीम के जासूसों द्वारा एक रिपोर्ट लिखी जाती है, और फिर एक दूसरी, वरिष्ठ टीम उन रिपोर्टों को पढ़कर अंतिम फैसला करती है। ब्लेंडिंग भी इसी तरह है, लेकिन वरिष्ठ टीम रिपोर्टों को पढ़ते समय मूल सुरागों को भी दोबारा देखती है।
परिणाम काफी स्पष्ट थे। जबकि व्यक्तिगत मॉडल ठीक-ठाक थे, टीम का सामूहिक प्रयास काफी बेहतर था। शोध पत्र सुझाव देता है कि सबसे अच्छा दृष्टिकोण "स्टैक एन्सेम्बल" (stack ensemble) मॉडल था, विशेष रूप रूप से तब जब वरिष्ठ टीम ने पहली टीम की रिपोर्टों की व्याख्या करने के लिए लीनियर रिग्रेशन (linear regression) जैसे सरल उपकरणों का उपयोग किया। इस शीर्ष प्रदर्शन करने वाले मॉडल ने एक स्कोर (जिसे 0.63-R² कहा जाता है) हासिल किया जो अकेले सबसे अच्छे एकल मॉडल की तुलना में लगभग 10% बेहतर था। लेखकों ने पाया कि "अंतिम न्यायाधीश" के रूप में सरल मॉडल सबसे अच्छा काम करते थे क्योंकि भारी काम पहले स्तर के मॉडलों द्वारा पहले ही किया जा चुका था। उन्होंने यह भी नोट किया कि अधिक जटिल मॉडल अनिवार्य रूप से अंतिम निर्णय को बेहतर नहीं बनाते थे; वास्तव में, कभी-कभी वे चीजों को बदतर बना देते थे।
अंत में, अध्ययन बताता है कि विशेषताओं (features) का सावधानीपूर्वक चयन करके, एल्गोरिदम की सेटिंग्स को ट्यून करके, और कई मॉडलों को स्मार्ट तरीके से जोड़कर, ऑनलाइन ट्रैवल एजेंसियां यह स्पष्ट चित्र प्राप्त कर सकती हैं कि उनके विज्ञापन कितने क्लिक उत्पन्न करेंगे। लेखक प्रस्ताव देते हैं कि यह पद्धति उद्योग के लिए एक आशाजनक दिशा है, हालांकि वे स्वीकार करते हैं कि अभी भी बढ़ने की गुंजाइश है। वे संकेत देते हैं कि भविष्य में, वे और भी अधिक प्रकार के मॉडल, जैसे कि आर्टिफिशियल न्यूरल नेटवर्क या श्रेणियों को संभालने वाले विशेष उपकरण, जोड़ने का प्रयास कर सकते हैं, ताकि यह देखा जा सके कि क्या वे और भी अधिक सटीकता प्राप्त कर सकते हैं। फिलहाल, साक्ष्य एक सरल सत्य की ओर इशारा करते हैं: क्लिक की भविष्यवाणी करने की दुनिया में, विविध विचारकों की एक अच्छी तरह से समन्वित टीम हर बार एक अकेले जीनियस को हरा देती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।