DEVELOPING A NEURAL NETWORK ARCHITECTURE TO PERFORM USER SEGMENTATION WITH TARGETED ADVERTISING
https://doi.org/10.35266/1999-7604-2024-2-6
Abstract
The article proposes a method for constructing a neural network architecture to solve the problem of classifying users based on their comments posted in open sources. The backward propagation of error is used to train a neural network. The training data was pre-marked, and then sampled into three groups: training, validation, and test. Customers’ reviews were pre-processed before being submitted to the network. The constructed model was implemented using special layers of words classifi ed into specifi c groups. Based on the obtained output value of the constructed network, it is possible to determine which category certain customers should be assigned. Thus, the company will be able to effectively apply targeted advertising to the identifi ed target group of consumers.
About the Authors
Svetlana A. Nikitina
Chelyabinsk State University, Chelyabinsk
Russian Federation
Russian Federation
Candidate of Sciences (Physics and Mathematics), Docent
Ekaterina R. Boltacheva
Chelyabinsk State University, Chelyabinsk
Russian Federation
Russian Federation
Master’s Degree Student
References
1. Жильцова О. Н., Артемьева О. А., Жильцов Д. А. Интернет-маркетинг. 2-е изд., пер. и доп. М. : Юрайт, 2023. 335 с.
2. Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения. Казань : Изд-во Казан. ун-та, 2018. 121 с.
3. Ищукова Е. А., Салманов В. Д., Калябин А. А. и др. Исследование алгоритмов анализа информации в социальных сетях // Современные наукоемкие технологии. 2020. № 4. С. 210–215.
4. Медведева О. С., Билюнас Д. В. Возможности таргетированной рекламы в социальных сетях // Вестник Алтайской академии экономики и права. 2019. № 3–2. С. 112–117.
5. Лучинкин В. Ю. Сравнение возможностей таргетинговой рекламы в социальных сетях «ВКонтакте» и «Одноклассники» // Наука. Общество. Государство. 2016. Т. 4, № 4. С. 1–7.
6. Старостин В. С. Трансформация маркетинговых технологий в эпоху машинного обучения // Вестник университета. 2018. № 1. С. 28–34. DOI 10.26425/1816-4277-2018-1-28-34.
7. Загорная Т. О., Баева Д. А., Коломыцева А. О. Оценка возможностей использования цифровых данных о потребителях в таргетированной рекламе // Новое в экономической кибернетике. 2020. № 2. С. 11–20.
8. Корева О. В. Таргетированная реклама как инструмент маркетинговой политики коммерческих компаний // Тенденции и технологии управления процессами и системами в современной экономике : материалы Всерос. конф., 30 марта 2022 г., г. Орел. Орел : Орловский государственный университет имени И. С. Тургенева, 2022. С. 100–106.
9. Макаренко А. В. Глубокие нейронные сети: зарождение, становление, современное состояние // Проблемы управления. 2020. № 2. С. 3–19.
10. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6, № 3. С. 28–59.
11. 35 инструментов для аналитики социальных сетей. URL: https://popsters.ru/blog/post/35-instrumentovdlya-analitiki-socsetey (дата обращения: 17.04.2024).
12. Жильцова О. Н., Синяева И. М., Жильцов Д. А. Рекламная деятельность. М. : Юрайт, 2023. 233 с.
13. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб. : Питер, 2018. 480 с.
14. Головко В. А., Краснопрошин В. В. Нейросетевые технологии обработки данных. Минск : БГУ, 2017. 263 с.
15. Болтачева Е. Р., Никитина С. А. О некоторых подходах к решению задачи классификации текстов по тональности на примере анализа англоязычных отзывов // Вестник кибернетики. 2022. № 2. С. 14–19. DOI 10.34822/1999-7604-2022-2-14-19.
Review
For citations:
Nikitina S.A., Boltacheva E.R. DEVELOPING A NEURAL NETWORK ARCHITECTURE TO PERFORM USER SEGMENTATION WITH TARGETED ADVERTISING. Proceedings in Cybernetics. 2024;23(2):49-56. (In Russ.) https://doi.org/10.35266/1999-7604-2024-2-6
Views:
154
Email this article 