Розробка системи для підвищення рекламного залучення в соціальних медіа через класифікацію особистості на основі XLNet

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.310375

Ключові слова:

класифікація особистості, персоналізована реклама, риси OCEAN, велика п'ятірка особистості, авторегресійний трансформатор, XLNet, залучення користувачів

Анотація

Це дослідження зосереджено на вирішенні проблеми впровадження персоналізованої реклами в галузі роздрібної торгівлі, де існуючі методи часто стикаються зі складнощами, які перешкоджають їх швидкому та широкомасштабному впровадженню. Основною метою цього дослідження була розробка масштабованої та ефективної системи персоналізації реклами в соціальних мережах із застосуванням передових методів класифікації особистості. Система використовує набір даних myPersonality, заснований на теорії рис Big 5 OCEAN, щоб точно класифікувати особистості користувачів. Завдяки інтеграції моделі XLNet, оптимізованої для класифікації особистості, система досягає точності класифікації 97,47 % із значеннями точності, запам’ятовування та F1-Score 0,95, 0,94 та 0,94 відповідно.

Отримані результати показують, що персоналізована реклама, яка базується на точно класифікованих особистісних рисах, значно підвищує показники взаємодії з користувачем, показуючи покращення на 24 % у порівнянні з узагальненою рекламою. Це покращення залучення свідчить про те, що система може ефективно персоналізувати рекламу, щоб глибше резонувати з користувачами, зміцнюючи зв’язки між користувачами та рекламованим вмістом.

Висока точність запропонованої системи та покращені показники взаємодії роблять її цінним доповненням до поточних маркетингових стратегій, підвищуючи як залучення, так і коефіцієнти конверсії. Цей інноваційний підхід може трансформувати персоналізовану рекламу, зробивши її більш ефективною та широко застосовуваною в маркетинговому секторі

Біографії авторів

Lidia Sandra, Binus University

Doctorate

Department of Computer Science

Harjanto Prabowo, Binus University

Professor

Department of Computer Science

Ford Gaol, Binus University

Professor

Department of Computer Science

Sani Isa, Binus University

Associate Professor

Department of Computer Science

Посилання

  1. Kim, J. (Jay), Kim, T., Wojdynski, B. W., Jun, H. (2022). Getting a little too personal? Positive and negative effects of personalized advertising on online multitaskers. Telematics and Informatics, 71, 101831. https://doi.org/10.1016/j.tele.2022.101831
  2. Lindenberger, U., Pötter, U. (1998). The complex nature of unique and shared effects in hierarchical linear regression: Implications for developmental psychology. Psychological Methods, 3 (2), 218–230. https://doi.org/10.1037//1082-989x.3.2.218
  3. Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R. R., Le, Q. V. (2019). Xlnet: Generalized autoregressive pretraining for language understanding. 33rd Conference on Neural Information Processing Systems (NeurIPS 2019). Available at: https://papers.nips.cc/paper_files/paper/2019/file/dc6a7e655d7e5840e66733e9ee67cc69-Paper.pdf
  4. Varma, G. R., Mohan, A., Prasanna, K. C. V. (2024). A robust ensemble model for disposition prediction using the myersbriggstype indicator (MBTI) in machine learning. Advances in Networks, Intelligence and Computing, 335–346. https://doi.org/10.1201/9781003430421-33
  5. Ahmad, H., Asghar, M. Z., Khan, A. S., Habib, A. (2020). A Systematic Literature Review of Personality Trait Classification from Textual Content. Open Computer Science, 10 (1), 175–193. https://doi.org/10.1515/comp-2020-0188
  6. Tandera, T., Hendro, Suhartono, D., Wongso, R., Prasetio, Y. L. (2017). Personality Prediction System from Facebook Users. Procedia Computer Science, 116, 604–611. https://doi.org/10.1016/j.procs.2017.10.016
  7. El-Demerdash, K., El-Khoribi, R. A., Ismail Shoman, M. A., Abdou, S. (2022). Deep learning based fusion strategies for personality prediction. Egyptian Informatics Journal, 23 (1), 47–53. https://doi.org/10.1016/j.eij.2021.05.004
  8. Tadesse, M. M., Lin, H., Xu, B., Yang, L. (2018). Personality Predictions Based on User Behavior on the Facebook Social Media Platform. IEEE Access, 6, 61959–61969. https://doi.org/10.1109/access.2018.2876502
  9. Serrano-Guerrero, J., Alshouha, B., Bani-Doumi, M., Chiclana, F., Romero, F. P., Olivas, J. A. (2024). Combining machine learning algorithms for personality trait prediction. Egyptian Informatics Journal, 25, 100439. https://doi.org/10.1016/j.eij.2024.100439
  10. Suhartono, D., Ciputri, M. M., Susilo, S. (2024). Machine Learning for Predicting Personality using Facebook-Based Posts. Engineering, MAthematics and Computer Science Journal (EMACS), 6 (1), 1–6. https://doi.org/10.21512/emacsjournal.v6i1.10748
  11. Sirasapalli, J. J., Malla, R. M. (2023). A deep learning approach to text-based personality prediction using multiple data sources mapping. Neural Computing and Applications, 35 (28), 20619–20630. https://doi.org/10.1007/s00521-023-08846-w
  12. Yang, K., Lau, R. Y. K., Abbasi, A. (2023). Getting Personal: A Deep Learning Artifact for Text-Based Measurement of Personality. Information Systems Research, 34 (1), 194–222. https://doi.org/10.1287/isre.2022.1111
  13. Samota, H., Sharma, S., Khan, H., Malathy, M., Singh, G., Surjeet, S., Rambabu, R. (2024). A novel approach to predicting personality behaviour from social media data using deep learning. International Journal of Intelligent Systems and Applications in Engineering, 12 (15s), 539–547. Available at: https://ijisae.org/index.php/IJISAE/article/view/4788
  14. Maulidah, M., Pardede, H. F. (2021). Prediction Of Myers-Briggs Type Indicator Personality Using Long Short-Term Memory. Jurnal Elektronika Dan Telekomunikasi, 21 (2), 104. https://doi.org/10.14203/jet.v21.104-111
  15. Biswas, S., Bhat, S., Jaiswal, G., Sharma, A. (2022). Critical Insights into Machine Learning and Deep Learning Approaches for Personality Prediction. Proceedings of 3rd International Conference on Machine Learning, Advances in Computing, Renewable Energy and Communication, 707–718. https://doi.org/10.1007/978-981-19-2828-4_63
  16. Bleier, A., Eisenbeiss, M. (2015). Personalized Online Advertising Effectiveness: The Interplay of What, When, and Where. Marketing Science, 34 (5), 669–688. https://doi.org/10.1287/mksc.2015.0930
  17. Abdel Monem, H. (2021). The Effectiveness of Advertising Personalization. Journal of Design Sciences and Applied Arts, 2 (1), 335–344. https://doi.org/10.21608/jdsaa.2021.31121.1061
  18. Sathe, A. B., Mane, S. B. (2021). Rethinking Offline Personalized Advertising: Challenges and System Design. International Journal of Computer Applications, 174 (19), 1–6. https://doi.org/10.5120/ijca2021921074
  19. Strycharz, J., van Noort, G., Smit, E., Helberger, N. (2019). Consumer View on Personalized Advertising: Overview of Self-Reported Benefits and Concerns. Advances in Advertising Research X, 53–66. https://doi.org/10.1007/978-3-658-24878-9_5
  20. Gao, B., Wang, Y., Xie, H., Hu, Y., Hu, Y. (2023). Artificial Intelligence in Advertising: Advancements, Challenges, and Ethical Considerations in Targeting, Personalization, Content Creation, and Ad Optimization. SAGE Open, 13 (4). https://doi.org/10.1177/21582440231210759
  21. Patel, N., Trivedi, S., Faruqui, N. (2023). A Novel Sedentary Workforce Scheduling Optimization Algorithm using 2nd Order Polynomial Kernel. 2023 International Conference on Smart Computing and Application (ICSCA). https://doi.org/10.1109/icsca57840.2023.10087492
  22. Faruqui, N., Yousuf, M. A., Chakraborty, P., Hossain, Md. S. (2020). Innovative Automation Algorithm in Micro-multinational Data-Entry Industry. Cyber Security and Computer Science, 680–692. https://doi.org/10.1007/978-3-030-52856-0_54
  23. Kosinski, M., Stillwell, D., Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 110 (15), 5802–5805. https://doi.org/10.1073/pnas.1218772110
  24. Costa, P. T., McCrae, R. R. (1999). A five-factor theory of personality. The five-factor model of personality: Theoretical perspectives, 2, 51–87. Available at: https://www.researchgate.net/publication/284978581_A_five-factor_theory_of_personality
  25. Roccas, S., Sagiv, L., Schwartz, S. H., Knafo, A. (2002). The Big Five Personality Factors and Personal Values. Personality and Social Psychology Bulletin, 28 (6), 789–801. https://doi.org/10.1177/0146167202289008
  26. Diener, E., Lucas, R. E. Personality traits. General psychology: Required reading. Available at: https://nobaproject.com/textbooks/lauren-brewer-new-textbook/modules/personality-traits
  27. Grochowska, A., Młyniec, A., Hryniewicz, K., Józefowicz, E., Ponikowska-Szmajda, K., Kaczmarek (Ozimek), A. et al. (2024). How does personality affect perception of advertising messages? The Big Five model and advertising responses: a meta-analysis. International Journal of Advertising, 1–23. https://doi.org/10.1080/02650487.2024.2321806
  28. Hossain, M. E., Faruqui, N., Mahmud, I., Jan, T., Whaiduzzaman, M., Barros, A. (2023). DPMS: Data-Driven Promotional Management System of Universities Using Deep Learning on Social Media. Applied Sciences, 13 (22), 12300. https://doi.org/10.3390/app132212300
  29. Achar, S., Faruqui, N., Bodepudi, A., Reddy, M. (2023). Confimizer: A Novel Algorithm to Optimize Cloud Resource by Confidentiality-Cost Trade-Off Using BiLSTM Network. IEEE Access, 11, 89205–89217. https://doi.org/10.1109/access.2023.3305506
  30. Moorefield-Lang, H. M. (2015). User agreements and makerspaces: a content analysis. New Library World, 116 (7/8), 358–368. https://doi.org/10.1108/nlw-12-2014-0144
Розробка системи для підвищення рекламного залучення в соціальних медіа через класифікацію особистості на основі XLNet

##submission.downloads##

Опубліковано

2024-08-30

Як цитувати

Sandra, L., Prabowo, H., Gaol, F., & Isa, S. (2024). Розробка системи для підвищення рекламного залучення в соціальних медіа через класифікацію особистості на основі XLNet. Eastern-European Journal of Enterprise Technologies, 4(2 (130), 40–51. https://doi.org/10.15587/1729-4061.2024.310375

Номер

Том 4 № 2 (130) (2024): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2024 Lidia Sandra, Harjanto Prabowo, Ford Gaol, Sani Isa

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.