Using Artificial Intelligence Algorithms in Advertising

Boyko, Nataliya; Kholodetska, Yuliia

doi:10.1109/csit56902.2022.10000819

Cited by 3 publications

(1 citation statement)

References 21 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…But this method requires a large paired dataset, which in case of style transferring from the artist's pictures cannot be assembled [4][5] [6].…”

Section: Comparison With Other Methodsmentioning

confidence: 99%

Synthesis of the Convolution Neural Networks Structures for Images Classification

Boyko

2023

IJHIT

View full text Add to dashboard Cite

In this work would be analyzed Generative Adversarial Networks (GANs) and how they work on the example of an artist's style translation to landscape photographs. This architecture consists of a generator and discriminator which oppose each other in the minimax game. The goal of the discriminator is to learn original data distribution. At this time, discriminator evaluates how well a generator performs in reproducing original style. Since in this paper, we will work with photos and pictures, convolutional neural networks will be used as a generator and a discriminator. Also, would be considered a modification to GAN architecture, which can notably improve result: another pair of discriminator and generator will be added, and a new cycle loss would be introduced. A comparative analysis with other methods such as Neural Style Transfer will also be performed. The methods of comparative analysis of Neural Style Transfer and Pix2Pix are presented in the work. Neural Style Transfer approach is more stable and with a well-chosen photo can give better results, but is more limited. Pix2Pix, is another modification to GAN architecture with the only difference that now our data is images and with additional loss that is calculated as some distance between generated and original pictures. The article presents the essence of the architecture of the PatchGAN generator, where the first part of the network takes the original image and encodes it, reducing the dimension, and the other takes this result and tries to reproduce the desired image. The goal of the work is to learn the artist's style, no additional processing was applied except normalization to [-1, 1] before feeding to the neural network (because as activation is used hyperbolic tangent) and resizing to (256, 256,3). The same actions were applied to the second part of the dataset: photos of nature. Data networks with Ivan Marchuk's paintings and photos of nature were trained with the help of Google Colab. The Adam was the optimizer. The results were compared with the Style Transfer model.

show abstract

“…But this method requires a large paired dataset, which in case of style transferring from the artist's pictures cannot be assembled [4][5] [6].…”

Section: Comparison With Other Methodsmentioning

confidence: 99%

Synthesis of the Convolution Neural Networks Structures for Images Classification

Boyko

2023

IJHIT

View full text Add to dashboard Cite

show abstract

A User Study on the Acceptance of Native Advertising in Generative IR

Zelch,

Hagen,

Potthast

2024

Proceedings of the 2024 ACM SIGIR Conference on Human Information Interaction and Retrieval

View full text Add to dashboard Cite

Reklamcilikta Yapay Zeka: Hedefleme Ve Ki̇şi̇selleşti̇rmeye Yöneli̇k Bi̇bli̇yometri̇k Anali̇z*

Bulut,

Yarar

2024

Beykoz Akademi Dergisi

View full text Add to dashboard Cite

Son yıllarda yapay zeka (Artifical Intellegence-AI) ve uygulamalarının kullanımı yaygınlaşmakta ve gelişimini her geçen gün artırarak sürdürmektedir. Yapay zeka ve uygulamalarının gelişimine bağlı olarak reklamcılık alanında kullanılması tüketici içgörülerini yakalama, medya planlama ve satın alma, reklamın etkinliğini ölçme, yeni reklamların tasarlanması, hedef kitleye ulaşma ve kişiselleştirme açısından kolaylıklar sağlamaktadır. Hedef kitleye ulaşmada yapay zeka, elde ettiği verileri derinlemesine analiz ederek tüketici davranışlarını, demografik bilgileri, çevresel faktörleri analiz eder ve reklamcıların hedef kitleyi daha iyi anlamalarına yardımcı olmaktadır. Tüketicinin özelliklerini, ilgi alanlarını ve davranışlarını bilmek, reklamverenin en uygun ürün veya hizmet ile tüketicinin karşısına çıkmasına olanak tanır. Müşteri yolculuğunun kişiselleştirilmesinde ise yapay zeka algoritmaları reklam ögelerini analiz ederek tüketicinin ilgisine göre sunduğu ürün veya hizmet ile etkileşimi en üst seviyeye çıkarmayı hedeflemektedir. Yapay zekanın hedefleme ve kişiselleştirme ile reklamcılığı yeniden şekillendirdiği, doğru hedef kitleye doğru mesajı doğru zamanda iletmede önemli katkılar sağladığı düşünülmektedir. Bu çalışmada, literatürde son 10 yılda (2014-2024) yapay zekanın reklamcılık alanında kullanılmasına yönelik hedefleme ve kişiselleştirmeyi içeren makalelerin bibliyometrik çerçevede analiz edilmesi ve reklamcılık alanındaki gelişiminin haritalandırılması amaçlanmaktadır. Bu amaç doğrultusunda belirlenen anahtar kelimeler ve çeşitli eleme kriterleri uygulanarak Web of Science ve Scopus veri tabanlarında toplam 790 makaleye ulaşılmıştır. Yapılan analizler sonucu 2014 yılında konu ile ilgili makale sayısının 4 olduğu, 2019 yılında bu sayının 24’e ulaştığı ve 2024 yılına gelindiğinde ise 201 makalenin yayınlandığı tespit edilmiştir. Makalelerin yıllık büyüme oranının ise %52,27 olduğu görülmektedir. Bu çalışma, alandaki yayın eğilimlerimin tespit ederek gelecek çalışmalar için araştırmacılara ipuçları sunmaktadır.

show abstract

Using Artificial Intelligence Algorithms in Advertising

Cited by 3 publications

References 21 publications

Synthesis of the Convolution Neural Networks Structures for Images Classification

Synthesis of the Convolution Neural Networks Structures for Images Classification

A User Study on the Acceptance of Native Advertising in Generative IR

Reklamcilikta Yapay Zeka: Hedefleme Ve Ki̇şi̇selleşti̇rmeye Yöneli̇k Bi̇bli̇yometri̇k Anali̇z*

Contact Info

Product

Resources

About