دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Agnieszka Jastrzębska, Jan W. Owsiński, Karol Opara, Marek Gajewski, Olgierd Hryniewicz, Mariusz Kozakiewicz, Sławomir Zadrożny, Tomasz Zwierzchowski سری: Studies in Big Data, 127 ISBN (شابک) : 9783031325038, 9783031325021 ناشر: Springer سال نشر: 2023 تعداد صفحات: 173 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 54 Mb
در صورت تبدیل فایل کتاب Analysing Web Traffic: A Case Study on Artificial and Genuine Advertisement-Related Behaviour به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل ترافیک وب: مطالعه موردی بر روی رفتارهای مصنوعی و واقعی مرتبط با تبلیغات نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب گزارش گسترده و غنی از نتایج و تجربیات یک پروژه را ارائه میکند که با تجزیه و تحلیل دادههای مربوط به الگوهای رفتاری در وب سروکار دارد. به تبلیغات در وب پرداخته می شود و مسئله نهایی ارزیابی سهم فعالیت مصنوعی و خودکار (تقلب تبلیغاتی) در مقابل فعالیت واقعی انسانی است. پس از یک بخش مقدماتی جامع، یک گزارش کامل از طیف وسیعی از تلاشهای تحلیلی و طراحی ارائه میشود، با محوریت: نمایش الگوهای رفتار وب، شکلگیری و انتخاب متغیرهای بیانگر، ساختاربندی جمعیتهای الگوهای رفتاری، از جمله استفاده از خوشه بندی، طبقه بندی این الگوها و ابداع موثرترین و کارآمدترین تکنیک ها برای جداسازی ترافیک مصنوعی از واقعی. مجموعهای از نتایج مهم و مفید، در مورد ماهیت پدیده مشاهدهشده، و در نتیجه ویژگیهای مجموعه دادههای مربوطه، و مناسب بودن رویکردهای روششناختی آزمایششده و ابداع شده، استخراج میشود. برخی از این مشاهدات و نتیجهگیریها، هم مربوط به دادهها و هم به روشهای به کار رفته، بینش جدیدی ارائه میکنند و گاهی شگفتانگیز هستند. این کتاب همچنین کتابشناسی غنی در مورد مشکل اصلی مورد بررسی و روش های مختلف آزمایش شده ارائه می دهد.
This book presents ample, richly illustrated account on results and experience from a project, dealing with the analysis of data concerning behavior patterns on the Web. The advertising on the Web is dealt with, and the ultimate issue is to assess the share of the artificial, automated activity (ads fraud), as opposed to the genuine human activity. After a comprehensive introductory part, a full-fledged report is provided from a wide range of analytic and design efforts, oriented at: the representation of the Web behavior patterns, formation and selection of telling variables, structuring of the populations of behavior patterns, including the use of clustering, classification of these patterns, and devising most effective and efficient techniques to separate the artificial from the genuine traffic. A series of important and useful conclusions is drawn, concerning both the nature of the observed phenomenon, and hence the characteristics of the respective datasets, and the appropriateness of the methodological approaches tried out and devised. Some of these observations and conclusions, both related to data and to methods employed, provide a new insight and are sometimes surprising. The book provides also a rich bibliography on the main problem approached and on the various methodologies tried out.
1 The Problem and Its Key Characteristics 1.1 The Problem Considered: A General Perspective 1.2 The Overall Structure of the Advertising Market on the Web 1.3 Some Important Aspects of the Ad Market on the Web 1.4 State-of-the-Art Methods for Fraudulent Click Identification References 2 The Pragmatics of the Data Acquisition and Assessment 2.1 The Nature of the Data Acquired 2.2 The Construction of Variables for Analysis 2.3 The Working of the Ad-Hoc Behavioral Tool 2.4 Remarks Concerning MLOps and ModelOps Reference 3 The Proper Representation: Patterns, Variables and Their Analysis 3.1 Some Temporal and Spatial Characteristics 3.2 Study of Sample-Wise Stability of Variables 3.3 Correlational Analysis 3.4 Principal Component Analysis 3.5 Variable Importance According to h2o Package 3.6 Comparison with the Existing Blacklists 3.7 Essential Conclusions from the Study of Variables 3.8 Some Remarks Concerning the Methodologies to Be Followed 4 Clustering Analysis 4.1 Introduction: The Issues Related to the Clustering Approach 4.2 An Exploratory Study 4.3 The Temporal Stability of Clusters 4.4 Application of Reverse Clustering 4.5 An Extended Analysis with the k-Medoids Algorithm 4.6 Conclusions and Recommendations References 5 Building the Classifiers 5.1 Introductory Remarks 5.2 Establishing Experimental Methodology 5.3 Detailed Case Study: Classification of Bot/Human Traffic 5.4 The Choice of the Best Classification Pipeline Using a Multi-Criteria Decision-Making Approach 5.5 Conclusions and Recommendations References 6 The Hybrid Cluster-And-Classify Approach 6.1 The Principles 6.2 The Hybrid Cluster-And-Classify Approach 6.3 The Results and Their Interpretation 6.3.1 Data Staging 6.3.2 Reference Recognition Quality in the Best-Case Scenario 6.3.3 Results: Analysis and Interpretation 6.4 A Detailed Case Study of Stability of the Hybrid Model: Case B 6.5 A Detailed Case Study of Drift in the Data: Case B 6.6 Conclusions References 7 A Summary View of the Problem and Its Solution