Djupinlärning ger relevanta annonser utan att spåra användaren

Ny forskning från Företagsforskarskolan vid Umeå universitet presenterar en lösning för att visa annonser utan att kompromissa med användarnas integritet. I sin doktorsavhandling visar Arezoo Hatefi hur djupinlärning kan användas för att effektivt kategorisera nyhetsartiklar och rikta annonser baserade på sidans innehåll istället för användarnas beteende eller personliga data.

Den ständigt ökande mängden nyhetsartiklar på nätet har gjort det allt viktigare att kunna kategorisera och sammanfatta nyheter med hjälp av automatiserade processer. Arezoo Hatefi har genom sin forskning utvecklat innovativa modeller som kan lära sig identifiera innehållet i nyhetsartiklar, även med omärkta eller endast delvis märkta datauppsättningar. Dessa modeller är särskilt användbara i situationer där det är kostsamt eller opraktiskt att samla en fullständigt märkt uppsättning data.

Metoderna kan användas för att förbättra det som kallas kontextuell annonsering. Det är en typ av annonsering som placerar annonser enbart utifrån innehållet på en webbsida utan att spåra användarna eller deras beteende på nätet. Därmed undviker man de integritetsproblem som förknippas med cookie-baserad annonsering.

– Eftersom nyhetsmedier är väldigt beroende av reklamintäkter, finns det en omfattande marknad för strategier inom kontextuell annonsering, förklarar Arezoo Hatefi, doktorand vid Företagsforskarskolan och Institutionen för datavetenskap vid Umeå universitet.

Det senaste decenniet har det skett stora framsteg inom området djupinlärning. Djupinlärning är ett fält inom maskininlärning som använder neurala nätverk i flera lager för att imitera hur den mänskliga hjärnan fungerar. Det gör det möjligt att hantera komplexa uppgifter som textigenkänning eller bildidentifiering. För att träna dessa modeller krävs omfattande datamängder och kontinuerliga finjusteringar så att beslutsprocessen kan förbättras.

– Avhandlingen introducerar nya metoder för att kategorisera text utifrån ämne, även när det finns ett begränsat antal exempel för varje ämne. Den beskriver också tekniker för att gruppera ämnen i nyhetsflöden och upptäcka nya ämnen från olika källor, säger Arezoo Hatefi.

Eftersom nyhetsrapportering på nätet ofta består av olika delar som text, bild, video och ljud, undersöker avhandlingen även samspelet mellan dessa i analysen av nyhetsartiklar.

– Modellerna som föreslås är huvudsakligen utvecklade för övervakning av nyheter och kontextuell annonsering, men de banar även väg för nya metoder att kategorisera text, gruppera liknande artiklar och upptäcka begynnande nyhetshändelser. En jämförelse med de främsta befintliga modellerna visar att de är effektiva i att uppnå dessa mål, säger Arezoo Hatefi.

Arezoo Hatefis doktorandprojekt har finansierats av Företagsforskarskolan vid Umeå universitet, tillsammans med Codemill och Aeterna Labs. Hon försvarade sin avhandling den 16 april.

Läs hela avhandlingen

Om Företagsforskarskolan

Företagsforskarskolan vid Umeå universitet bygger på samverkan mellan universitet, forskare och företag eller organisation och syftar till att förena nytta för både samhället och den externa parten samtidigt som en utbildning av nya högkvalitativa forskare sker. Doktoranden får också ett skräddarsytt akademiskt kurspaket. Forskarskolan är öppen för alla discipliner och doktoranden har sin anställning vid Umeå universitet.

Läs mer på Företagsforskarskolans hemsida

För mer information, vänligen kontakta:

Arezoo Hatefi, Institutionen för datavetenskap, Umeå universitet

E-post: arezoo.hatefi@umu.se