Прогнозування ефективності рекламних оголошень з використанням методів мультимодального штучного інтелекту

Скорочена інформація про документ
dc.contributor.advisorКупенко, Ольга Петрівна
dc.contributor.authorДо Данг Ха Мі
dc.date.accessioned2026-09-09T11:58:24Z
dc.date.available2026-09-09T11:58:24Z
dc.date.issued2026
dc.description.abstractДипломна робота: 108 ст., 6 рис., 21 табл., 45 посилань, 2 додатки. Об’єктом дослідження є процес автоматичної оцінки ефективності рекламних креативів на основі аналізу їхнього візуального та текстового змісту. Предметом дослідження є методи та архітектури мультимодального глибокого навчання для передзапускового скорингу рекламних матеріалів у системі Meta Ads. Метою роботи є розробка інтелектуальної системи, яка на основі зображення рекламного креативу та тексту оголошення прогнозує ймовірність його успішності до запуску рекламної кампанії та надає інтерпретовані пояснення прийнятого рішення. Актуальність роботи зумовлена зростанням витрат на цифрову рекламу та значними втратами бюджету внаслідок запуску неефективних креативів. Задача передзапускової оцінки рекламних матеріалів для платформи Meta Ads залишається недостатньо дослідженою, тоді як існуючі роботи переважно орієнтовані на інші рекламні платформи та великомасштабні набори даних. У роботі сформовано датасет із 6614 мультимовних рекламних матеріалів Meta Ads із підтвердженими метриками ефективності. Запропоновано методологію формування цільової змінної на основі profit-weighted score, що поєднує нормалізовані показники CTR і валового прибутку. Розроблено мультимодальну архітектуру на базі EfficientNet-B3 та XLM-RoBERTa з механізмом двонаправленої крос-модальної уваги. Фінальна модель досягла показників Test AUC = 0,810, Accuracy = 0,739 та F1 = 0,739. Проведено порівняльний аналіз дев’яти конфігурацій моделей, за результатами якого встановлено, що використання комбінованих CTR+GP-лейблів підвищує якість класифікації, тоді як збільшення обсягу даних без контролю їхньої якості може погіршувати результати. Реалізовано систему пояснення рішень на основі Grad-CAM++, зонального аналізу та текстової уваги, а також вебінтерфейс на базі Gradio. Практична цінність роботи полягає в можливості підвищення ефективності відбору рекламних креативів до їх запуску та скорочення витрат на A/B-тестування. Запропоновану систему рекомендовано до використання в задачах передзапускового оцінювання рекламних матеріалів у середовищі Meta Ads.
dc.description.abstractotherBachelor thesis: 108 p., 6 figures, 21 tables, 45 references, 2 appendices. The object of the study is the process of automatic evaluation of advertising creative effectiveness based on the analysis of their visual and textual content. The subject of the study is methods and architectures of multimodal deep learning for pre-launch scoring of advertising materials in the Meta Ads environment. The aim of the thesis is to develop an intelligent system that predicts the probability of an advertisement's success before the launch of a campaign using the creative image and ad text, while also providing interpretable explanations of the decision-making process. The relevance of this work is driven by the growing costs of digital advertising and the substantial budget losses associated with launching ineffective creatives. The task of pre-launch evaluation of advertising materials for the Meta Ads platform remains insufficiently explored, whereas existing studies have primarily focused on other advertising platforms and large-scale datasets. In this study, a dataset consisting of 6,614 multilingual Meta Ads creatives with verified performance metrics was compiled. A methodology for constructing the target variable based on a profit-weighted score combining normalized click-through rate (CTR) and gross profit indicators was proposed. A multimodal architecture based on EfficientNet-B3 and XLM-RoBERTa with a bidirectional cross-modal attention mechanism was designed and trained. The final model achieved a Test AUC of 0.810, an Accuracy of 0.739, and an F1-score of 0.739. A comparative analysis of nine model configurations demonstrated that the use of combined CTR+GP labels improves classification performance, whereas increasing the dataset size without ensuring data quality may reduce model effectiveness. In addition, an explainability framework based on Grad-CAM++, region-based analysis, and textual attention was implemented, together with a Gradio-based web interface. The practical value of the study lies in improving the selection of advertising creatives before their deployment and reducing the costs associated with A/B testing. The proposed system is recommended for use in pre-launch evaluation of advertising materials within the Meta Ads platform.
dc.format.extent107 с.
dc.identifier.citationДо Данг Ха Мі. Прогнозування ефективності рекламних оголошень з використанням методів мультимодального штучного інтелекту : дипломна робота … бакалавра : 122 Комп'ютерні науки / До Данг Ха Мі. – Київ, 2026. – 107 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82925
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмультимодальне навчання
dc.subjectскоринг рекламних креативів
dc.subjectефективність реклами
dc.subjectefficientnet-b3
dc.subjectxlm-roberta
dc.subjectcross-attention fusion
dc.subjectgrad-cam++
dc.subjectmeta ads
dc.subjectctr
dc.subjectваловий прибуток
dc.subjectmultimodal learning
dc.subjectadvertising creative scoring
dc.subjectad effectiveness
dc.subjectefficientnet-b3
dc.subjectgross profit
dc.titleПрогнозування ефективності рекламних оголошень з використанням методів мультимодального штучного інтелекту
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Do_Danh_bakalavr.pdf
Розмір:
2.41 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи