Recent internal Seminars  All internal seminars...

More information on internal seminars can be required to Claudia Raviolo

Introduzione a reti neurali artificiali e loro applicazioni

25 July 2017, 11:30 - Location: C-29

Speakers:
Nadir Murru (Dipartimento di Matematica dell'Università di Torino)

Le reti neurali artificiali sono modelli matematici che tentano di imitare il funzionamento del sistema nervoso animale, in particolare del cervello. Nel loro modello più semplice sono rappresentate da particolari grafi, i cui nodi (neuroni) interagiscono tra di loro in base alle loro connessioni (sinapsi) e mediante semplici operazioni aritmetiche. In questo seminario introdurremo il modello di un singolo neurone (perceptrone) e a partire da esso come costruire reti neurali complesse. Presenteremo quindi le principali tecniche di apprendimento che si dividono in due categorie: apprendimento supervisionato e apprendimento non supervisionato.
In particolare, presenteremo l'algoritmo di addestramento "backpropagation" come caso di apprendimento supervisionato e tecniche che coinvolgono l'uso di algoritmi evolutivi per l'apprendimento non supervisionato. Vedremo applicazioni a problemi di pattern recognition e di teoria dei giochi.

Bio: Nadir Murru consegue il Dottorato di Ricerca in Matematica nel 2011 nell'ambito della teoria dei numeri, presso l'Università di Torino. Successivamente ricopre posizioni di ricerca presso l'INRIM (Istituto Nazionale di Ricerca Metrologica) di Torino e il CNR (Consiglio Nazionale delle Ricerche) di Pisa. Attualmente è assegnista di ricerca presso il Dipartimento di Matematica dell'Università di Torino dove lavora sul progetto "Disabilità e Nuove Tecnologie". I suoi interessi di ricerca e studio riguardano principalmente la teoria dei numeri, la crittografia, il soft computing e le intelligenze artificiali. E' autore o co-autore di più di 35 articoli scientifici in questi settori.

Deep Character-Level Click-Through Rate Prediction for Sponsored Search

17 July 2017, 10:00 - Location: C-29

Speakers:
Amin Mantrach (Senior Research Scientist at Criteo)
Referent:
Raffaele Perego

Predicting the click-through rate of an advertisement is a critical component of online advertising platforms. In sponsored search, the click-through rate estimates the probability that a displayed advertisement is clicked by a user after she submits a query to the search engine. Commercial search engines typically rely on machine learning models trained with a large number of features to make such predictions. This inevitably requires a lot of engineering efforts to define, compute, and select the appropriate features. In this paper, we propose two novel approaches (one working at character level and the other working at word level) that use deep convolutional neural networks to predict the click-through rate of a query-advertisement pair. Specifically, the proposed architectures only consider the textual content appearing in a query-advertisement pair as input, and produce as output a click-through rate prediction. By comparing the character-level model with the word-level model, we show that language representation can be learnt from scratch at character level when trained on enough data. Through extensive experiments using billions of query-advertisement pairs of a popular commercial search engine, we demonstrate that both approaches significantly outperform a baseline model built on well-selected text features and a state-of-the-art word2vec-based approach. Finally, by combining the predictions of the deep models introduced in this study with the prediction of the model in production of the same commercial search engine, we significantly improve the accuracy and the calibration of the click-through rate prediction of the production system.

comments to webmaster