Вообще говоря, средняя реклама в Instagram стоит от 0,50 до 1 доллара за клик. В более конкурентных областях, таких как индустрия моды, это может стоить до 3 долларов за клик. Стоимость клика также может варьироваться в зависимости от возрастной группы. Например, возрастные группы 18–24, 25–34 и 35–44 могут стоить больше, чем другие. Стоимость рекламы также может варьироваться в зависимости от целевого пола. Реклама в Facebook, ориентированная на женщин, как правило, дороже. Эти относительно высокие затраты на клик в сочетании с тем фактом, что не все клики приводят к продажам, могут сделать рекламные кампании в социальных сетях довольно дорогими.

Еще одна популярная стратегия интернет-маркетинга - поддержка продукта знаменитостей. Одобрение инстаграммером от 3 до 7 миллионов подписчиков может стоить до 75000 долларов. Инфлюенсеры с 50 000 - 500 000 подписчиков могут взимать до 1000 долларов за одобрение. Поддержка знаменитостей часто может привести к большему количеству продаж, чем случайные клики по рекламе, но затраты на маркетинг все еще относительно высоки. По этой причине я хотел бы представить концепцию IMG2RECOMMENDER для более целевой рекламы в социальных сетях. Этот подход использует глубокое обучение для преобразования изображений в социальных сетях в более таргетированную рекламу продуктов. Общая концепция представлена ​​в таблице ниже.

Мы живем в эпоху обмена миллионами изображений в социальных сетях. Самыми популярными социальными сетями являются Facebook, Instagram и Pinterest. Вместо того, чтобы платить за нецелевую рекламу на этих сайтах, компании могут интегрировать сложную запутанную модель нейронной сети (CNN) с точным идентификатором продукта в качестве внутреннего приложения для определения наиболее актуальных продуктов для каждого пользователя социальных сетей. Маркетинговым компаниям нужно будет только платить ежемесячную плату этим сайтам социальных сетей, чтобы запускать эти серверные приложения.

Помимо очевидного преимущества снижения затрат, есть несколько дополнительных преимуществ:

  • Выявляйте потенциальных клиентов без каких-либо учетных записей в социальных сетях.
  • Определите подходящие продукты для личного использования и подарков друзьям.
  • Уменьшение трудового капитала.
  • Нет необходимости в межсайтовом отслеживании (увеличивает личную конфиденциальность).
  • Нет необходимости хранить индивидуальные данные пользователя.

В качестве доказательства концепции этого маркетингового приложения я разработал модель рекомендаций по 3 продуктам. Подробный код можно найти в этом репозитории GitHub.

Как показано на рисунке слева, я начинаю с библиотеки face_recognition с открытым исходным кодом для обрезки лица. Затем модели трансфертного обучения используются для прогнозирования продуктов для более целевой рекламы. В этой модели рекомендуются шляпы, борода или очки (HBE).

Для этого прототипа я вручную скопировал 653 изображения из изображений Google. Для обучения моих моделей маркировка изображений и обрезка также выполняются вручную. Вообще говоря, получение адекватных маркированных данных изображения для проектов CNN является очень трудоемким процессом. Я решил использовать модели трансферного обучения из-за ограниченности данных. Кроме того, изображения людей очень похожи на изображения, доступные в ImageNet, на котором были обучены многие сложные модели CNN, такие как Inception, ResNet и VGG. Вы можете узнать больше о различных Архитектурах CNN здесь. Из-за ограниченных ресурсов графического процессора и временных ограничений проекта я решил использовать модели VGG16 и ResNet50 в качестве двух базовых моделей. Я разморозил последние 5 слоев VGG16 и ResNet50 для точной настройки параметров модели. Как упоминалось ранее, вы можете найти подробный код в репозитории GitHub.

Чтобы упростить задачу множественной классификации, я использовал подход множественной классификации «один против остальных». Для VGG16 и ResNet50 созданы три двоичных классификатора:

  • очки против без очков
  • борода против без бороды
  • шляпа против без шляпы.

На приведенном выше графике показаны кривые ROC и значения AUC для всех 6 наиболее обученных моделей. 3 верхние кривые относятся к моделям VGG16, а 3 нижние кривые - к моделям ResNet50. Этикетки - очки, борода и шляпа слева направо. Значения AUC для всех моделей составляют 0,93 или выше. Удивительно, но VGG16 показал лучшие результаты, чем ResNet50, для всех трех классификаторов. Это может быть связано с ограниченным набором данных, поскольку ResNet50 имеет больше слоев, чем VGG16.

На основе этих 6 моделей я создал прототип программы на Python под названием product_recommender, который может принимать изображение, папку или набор папок и выводить изображения с рекомендованным продуктом в качестве названия изображения. Вы можете скачать файл python и протестировать его самостоятельно здесь.

Несколько планов на будущее для FACE2HBE и IMG2RECOMMENDER:

FACE2HBE:

  • Играйте больше со скоростью обучения, снижением скорости обучения и темпом.
  • Отрегулируйте регуляризацию для ResNet50, например уровень отсева и уровни пакетной нормализации.
  • Добавьте больше изображений, особенно с изображениями, которые ошибочно предсказаны.
  • Создавайте сверхплотные слои и / или размораживайте больше слоев с большим количеством изображений.
  • Перейдите от трансферного обучения к полноценной CNN с большим количеством собранных и помеченных изображений.
  • Найдите лучшее программное обеспечение для распознавания лиц для интеграции.

IMG2RECOMMENDER:

  • Разработайте сложные модели CNN для тысяч этикеток.
  • Расширьте ассортимент товаров - от шляп, бороды и очков до украшений, аксессуаров, обуви, электроники и многого другого.
  • Найдите различное программное обеспечение для идентификации продуктов для интеграции.

Если у вас есть какие-либо вопросы или предложения по этому проекту, не стесняйтесь обращаться ко мне.