检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于增强型FNN的广告点击率预测模型

南京理工大学学报 2020年第1期44卷 33-39页

作者：杨妍婷韩斌江苏科技大学计算机学院

为了进一步提高点击率(Click-through rate,CTR)预测模型学习有效特征组合的能力,该文提出一种基于增强型因子分解向量输入神经网络(Enhanced factorization machine supported neural network,EFNN)的广告点击率预测模型。该模型在基... 详细信息

为了进一步提高点击率(Click-through rate,CTR)预测模型学习有效特征组合的能力,该文提出一种基于增强型因子分解向量输入神经网络(Enhanced factorization machine supported neural network,EFNN)的广告点击率预测模型。该模型在基于因子分解向量输入神经网络(Factorization machine supported neural network,FNN)的基础上增加了新特征生成层,采用一种针对CTR数据的卷积操作,对数据进行通道变换后引入Inception结构进行卷积,将生成的新特征和原始特征结合,提升了深度网络的学习能力。实验结果证明,添加了新特征生成层的增强型FNN能有效提高广告点击事件的预测准确率。

关键词：点击率预测特征组合神经网络特征生成

在线全文

学校读者我要写书评

暂无评论

面向展示广告的点击率预测模型综述

计算机科学 2019年第7期46卷 38-49页

作者：刘梦娟曾贵川岳威仇笠舟王加昌电子科技大学信息与软件工程学院成都610054 中国核动力研究设计院成都610213

点击率预测模型的研究近年来备受学术界和工业界的关注。针对展示广告定向投放的点击率预测模型,研究了样本特征的预处理技术、基于传统机器学习模型的CTR预测方案、基于最新的深度学习模型的CTR预测方案、CTR预测模型的主要性能评价指... 详细信息

点击率预测模型的研究近年来备受学术界和工业界的关注。针对展示广告定向投放的点击率预测模型,研究了样本特征的预处理技术、基于传统机器学习模型的CTR预测方案、基于最新的深度学习模型的CTR预测方案、CTR预测模型的主要性能评价指标等,并基于一个开放数据集对其中的典型方案给出性能对比和量化分析,最后讨论了目前面向展示广告的点击率预测模型研究存在的问题和未来发展趋势。

关键词：点击率预测定向广告逻辑回归因子分解机深度学习

在线全文

学校读者我要写书评

暂无评论

基于特征工程的视频点击率预测算法

华东师范大学学报（自然科学版） 2018年第3期 77-87页

作者：匡俊唐卫红陈雷慧陈辉曾炜董启民高明华东师范大学数据科学与工程学院上海200062 上海市农业技术推广服务中心上海201103 深圳腾讯计算机系统有限公司北京100080 林西县职业技术教育中心内蒙古林西025250

点击率预测技术在视频推荐系统中具有重要的作用.视频推荐系统可以根据点击率预测的结果调整投放顺序,从而提高用户的真实点击率.在点击率预测问题中,由于数据存在海量性以及不平衡性等问题,点击率预测的精确度一般都较低.针对以上问题... 详细信息

点击率预测技术在视频推荐系统中具有重要的作用.视频推荐系统可以根据点击率预测的结果调整投放顺序,从而提高用户的真实点击率.在点击率预测问题中,由于数据存在海量性以及不平衡性等问题,点击率预测的精确度一般都较低.针对以上问题,使用特征工程和机器学习相结合的方法,有效地改进了现有的视频点击率预测算法的性能.首先,使用特征工程方法,从原始数据中提取特征,并使用矩阵分解等方法生成交叉特征;然后,分别基于逻辑回归、因子分解机和梯度提升决策树-逻辑回归实现点击率预测模型.实验结果表明,基于因子分解机模型和基于梯度提升决策树-逻辑回归模型的预测精度要优于基于逻辑回归的模型,并且将用户特征和视频特征进行交叉组合能够改进点击率预测的精度.

关键词：点击率预测特征工程因子分解机梯度提升决策树

在线全文

学校读者我要写书评

暂无评论

基于序列特征的点击率预测模型

华东师范大学学报（自然科学版） 2020年第4期 134-146页

作者：朱思涵浦剑华东师范大学计算机科学与技术学院上海200062

点击率预测模型是主流推荐系统中十分重要的部分.根据点击率预测的打分来调整商品的展示策略,对提高业务的转化率、改进用户体验等有着重要的意义.传统的点击率预测模型是利用用户特征和商品特征,对点击率进行预测.然而,用户行为序列的... 详细信息

点击率预测模型是主流推荐系统中十分重要的部分.根据点击率预测的打分来调整商品的展示策略,对提高业务的转化率、改进用户体验等有着重要的意义.传统的点击率预测模型是利用用户特征和商品特征,对点击率进行预测.然而,用户行为序列的结构特征,如周期性规律、趋势等也能一定程度地体现用户行为的倾向.针对部分信息利用上的空缺,使用时间序列分析单元,将提取用户行为序列的特征作为用户特征的扩展,结合因子分解机结构将其与用户、商品特征进行交叉,能够有效提高特征质量,优化点击率预测模型的性能.实验表明,结合用户行为序列特征进行交叉优化的方法能够对点击率预测模型的表现带来很大提升,提高点击率预测的精度.

关键词：点击率预测推荐系统自回归滑动平均模型因子分解机

基于用户相似度和特征分化的广告点击率预测研究

在线全文

学校读者我要写书评

暂无评论

计算机科学 2017年第2期44卷 283-289页

作者：潘书敏颜娜谢瑾奎华东师范大学计算机科学技术系上海200241

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其... 详细信息

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。

关键词：计算广告学点击率预测用户相似度特征分化混成模型

基于卷积-LSTM网络的广告点击率预测模型研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2019年第2期55卷 193-197页

作者：厍向阳王邵鹏西安科技大学计算机科学与技术学院西安710054

点击率预测是计算广告学的核心算法之一。传统浅层模型没有充分考虑到数据之间存在的非线性关系,且使用人工特征提取方法费时费力。针对这些问题,提出了基于卷积(Convolutional Neural Networks)-LSTM(Long Short Term Memory)混合神经... 详细信息

点击率预测是计算广告学的核心算法之一。传统浅层模型没有充分考虑到数据之间存在的非线性关系,且使用人工特征提取方法费时费力。针对这些问题,提出了基于卷积(Convolutional Neural Networks)-LSTM(Long Short Term Memory)混合神经网络的广告点击率预测模型。该模型使用卷积神经网络提取高影响力特征,并通过LSTM神经网络的时序性进行预测分类。实验结果证明:与浅层模型或单一结构的神经网络模型相比,基于卷积-LSTM的混合神经网络模型能有效提高广告点击事件的预测准确率。

关键词：点击率预测机器学习卷积神经网络长短期记忆

在线全文

学校读者我要写书评

暂无评论

基于特征降维和DBN的广告点击率预测

计算机工程与设计 2018年第12期39卷 3700-3704页

作者：杨长春梅佳俊吴云顾寰常州大学信息科学与工程学院江苏常州213164

为有效提升搜索广告的点击率预测效果,提出一种基于特征降维和深度置信网络的模型(KTDDBN)。针对传统方法还停留在探索广告特征间的线性关系的局限性,提出使用深度置信网络寻找广告特征间更加复杂的深层关联;提取广告特征后,采用K-mean... 详细信息

为有效提升搜索广告的点击率预测效果,提出一种基于特征降维和深度置信网络的模型(KTDDBN)。针对传统方法还停留在探索广告特征间的线性关系的局限性,提出使用深度置信网络寻找广告特征间更加复杂的深层关联;提取广告特征后,采用K-means聚类以及张量分解对高维特征进行降维,利用深度置信网络挖掘高阶的特征组合,提高预测模型的效果。实验结果表明,该模型在一定程度上提升了广告点击率的预测效果。

关键词：点击率预测计算广告学张量分解特征降维深度置信网络

在线全文

学校读者我要写书评

暂无评论

基于深度学习的点击率预测算法研究

基于深度学习的点击率预测算法研究

作者：蔡师嘉电子科技大学

学位级别：硕士

互联网不仅深刻改变了人们生活、工作方式,也对许多传统行业产生了巨大的影响。例如,在线广告已经取代电视、报纸、广告牌等传统媒介,成为主要的广告投放模式。特别是结合大数据分析的广告精准定向投放已经被广泛部署到了各种电商、视... 详细信息

互联网不仅深刻改变了人们生活、工作方式,也对许多传统行业产生了巨大的影响。例如,在线广告已经取代电视、报纸、广告牌等传统媒介,成为主要的广告投放模式。特别是结合大数据分析的广告精准定向投放已经被广泛部署到了各种电商、视频、社交网站,为平台方和产品方均带来了巨大的经济收益。作为广告实现精准投放的关键,点击率预测算法获得了来自学术界和工业界的持续关注。本论文对目前已有的各种点击率预测算法展开研究,特别讨论了基于深度学习模型的点击率预测算法。这类点击率预测算法的优点是能够有效捕捉到每个广告展示机会的高阶特征信息,从而使点击率预测更为准确,但是也存在一些问题亟待解决:首先,深度模型以一种“黑盒”的方式隐式地学习高阶特征信息,这为模型的可解释性问题带来了挑战;其次,当前主流深度模型对用户行为数据挖掘不足,而用户行为是兴趣的载体,因此有必要对用户行为建模以提高用户体验和预测准确性。针对上述问题,本文工作总结如下:首先,本文将注意力机制运用到点击率预测任务中,提出了一种基于层次注意力机制的浅层模型HAN。在浅层模型的建模阶段,引入了两个层次的注意力机制,以显式地对有限阶的特征组合进行建模。该方法在提高特征组合效率的同时也提升了模型的可解释性。论文在三个真实数据集上验证了HAN的性能,实验结果表明HAN在预测性能上优于目前已有的典型预测方案。其次,在浅层模型HAN的基础上,为充分挖掘特征之间的高阶非线性关联,本文还引入深度神经网络与浅层结构HAN一起联合学习,提出了基于层次注意力机制的点击率预测融合模型DHAN。通过在三个公开数据集上的实验表明,与基线模型相比,DHAN获得了最优的预测性能,在AUC指标上比最新的x Deep FM分别提升了0.037%(Criteo)和0.052%(Avazu)。最后,为更好地建模用户行为序列数据以挖掘用户的潜在兴趣,本文提出了一种基于用户行为序列的点击率预测模型UAIN。此模型分为两个部分:基于用户行为序列的兴趣抽取模块和基于注意力机制的用户-候选广告交互模块。兴趣抽取模块包含了行为提炼层和兴趣发展层,不仅从原始用户行为中提取出了用户的初步兴趣表示,同时还引入了带有注意力机制的GRU单元来建模用户的兴趣演化过程。用户-候选广告交互模块则根据用户画像信息,进一步挖掘候选广告和用户画像信息之间的交互关系,解决了当系统冷启动时用户行为较少的问题。

关键词：在线广告点击率预测深度学习神经网络注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的广告点击率预测模型研究

基于卷积神经网络的广告点击率预测模型研究

作者：万满西南大学

学位级别：硕士

随着互联网技术的不断发展与创新,借助互联网平台形成的在线广告展现了巨大的潜力和商业价值。数字智能互联时代带给在线广告巨大的发展机会。和传统的广告相比,在线广告拥有传播速度快、影响范围广、内容丰富多样、广告成本低、广告效... 详细信息

随着互联网技术的不断发展与创新,借助互联网平台形成的在线广告展现了巨大的潜力和商业价值。数字智能互联时代带给在线广告巨大的发展机会。和传统的广告相比,在线广告拥有传播速度快、影响范围广、内容丰富多样、广告成本低、广告效果好等优势。因此互联网在线广告成为各类企业扩展知名度、实施营销战略,从而提高收益的有效途径。目前,互联网广告主要有展示广告和搜索广告等类型,但不管哪种类型的广告,要想充分利用其带来的便利,关键还在于对广告点击率进行预测。对广告点击率进行准确预测既能增强用户体验,又能提高广告主的收益,从而进一步影响互联网广告平台的收入。因此,利用历史数据对广告点击率进行预测非常有意义。目前,虽有大量模型用于广告点击率的预测,但大多数都是基于传统的浅层模型,对于广告类多字段类别数据,浅层模型往往无法有效学习特征之间的相互关系,更无法学习广告数据深层次的潜在模式。利用浅层模型对广告点击率进行预测往往需要大量的特征工程做支撑,因此会浪费大量的人力物力。近年来,基于深层神经网络的深度学习模型,特别是卷积神经网络模型得益于强大的自动学习特征的能力,在很多领域取得了巨大的成功。但基于卷积神经网络在广告点击率预测方面的研究还刚刚起步。因此本文研究卷积神经网络广告点击率预测模型。本文针对广告数据特征类别多样的特点,及现有广告点击率预测模型面临的不足之处,在已有的广告点击率预测模型相关理论与技术的基础上,构建了一种结合因子分解技术的卷积神经网络广告点击率预测模型,并对预测模型进行了优化研究,最后对模型预测广告点击率的效果进行实验验证。本文的主要工作包括以下几个方面:(1)根据广告数据特征高维稀疏的特点及因子分解机嵌入特征的能力、卷积神经网络权值共享局部连接、处理高维数据的优势,构建一种结合因子分解机制的卷积神经网络广告点击率预测模型。该模型在模型底层引入因子分解嵌入层,将通过one-hot编码的高维稀疏特征数据嵌入到低维向量空间中,然后利用模型上层的卷积池化操作层进一步学习数据深层次的潜在特征,最后通过全连接层综合各方面的深层特征输出广告点击率。(2)分析广告数据及本文构建的基于卷积神经网络的广告点击率预测模型的特点,引入乘积运算层对本文构建的点击率预测模型的结构进行优化。本文通过在特征嵌入层上引入乘积运算层解决卷积层无法对非相邻特征之间的全部交叉特征进行建模的问题,通过嵌入层特征向量的內积运算得到非相邻的二阶特征,以利于卷积层进一步学习深层次的特征模式。(3)利用Selu激活函数及改进的Dropout方法对本文模型的性能进行优化。利用Selu激活函数代替Relu激活函数,解决Relu带来的模型训练不稳定的问题及梯度消失和梯度爆炸问题,通过改进的Dropout方法以适应相应的Selu激活函数,从而有效避免模型过拟合。实验过程中,选取AUC和Logloss作为模型评估指标,利用iPinYou数据集对本文构建的卷积神经网络广告点击率预测模型进行训练和效果测试。训练时采用适合卷积神经网络的反向传播算法和随机梯度下降算法进行权值的优化更新。并通过对比实验进行对比分析。实验结果表明,基于网络结构的点击率预测模型在隐藏层数为2(即两个卷积和池化层)时模型预测性能比较好,传统的激活函数Relu的性能好于Sigmoid和Tanh;相对于另外的LR、FM及CCPM三种点击率预测模型,本文构建的结合因子分解的卷积神经网络广告点击率预测模型对广告点击率预测的效果更好;优化后的模型在预测性能上有一定的提升。总之,实验结果表明,本文构建的广告点击率预测模型效果好,给出的优化技术方法是有效的。

关键词：在线广告点击率预测卷积神经网络因子分解模型优化