检索结果-南通市图书馆

作者：陈巧俊华南理工大学

学位级别：硕士

点击率预测,对于许多应用程序,包括搜索引擎、个性化推荐和在线广告,都是至关重要的,有助于提升用户的留存,增加平台收入。对广告而言,点击该广告的人越多,越有助于增加平台的收入;对购物网站而言,增加点击率也有利于增加购买率;对视频... 详细信息

点击率预测,对于许多应用程序,包括搜索引擎、个性化推荐和在线广告,都是至关重要的,有助于提升用户的留存,增加平台收入。对广告而言,点击该广告的人越多,越有助于增加平台的收入;对购物网站而言,增加点击率也有利于增加购买率;对视频推荐系统而言,点击率越高也一定程度上能增加用户观看的概率,从而增加观看时长,为平台增加流量和人气。因此提升点击率预测模型的准确率是一个热门的研究领域。很多点击率预测模型都有各自的优势和不足,为了弥补这种不足,本文使用模型混合将不同类型的特征挖掘模块结合或者对不同的模型进行集成,文中提出了多种混合方式。首先,为了使得序列特征在模型中发挥充分的作用,对用户点击的历史时间间隔序列使用LSTM模块和自注意力机制模块进行了时间间隔序列特征挖掘和重要性权重分配,基于Deep FM模型加入这些结构,提升模型效果。其次,基于树模型在特征处理方面的强大的作用,先利用树模型进行特征转换组合,再将叶子节点的输出作为其他模型的输入,将树模型和其他不同类型的模型进行联合训练,寻找最佳的模型结合方式。最后,使用Blending集成方法,先在第一层训练多个模型得到输出,再用二层模型对第一层多个模型的预测输出进行建模训练,将不同模型的输出结果合理结合,得到新的模型混合方式。实验使用了多个不同领域的数据集,包括视频和广告领域,在使用模型进行训练之前,先对一些数据进行一定的数据探索以及数据处理,在特征工程上进行了一定的实践。本文提出的LDeep FM和LADeep FM在不同类型的数据上都进行了实验,实验结果显示本文提出的模型结果都有较好的提升,表明这些模型具有一定的泛化性。通过和树模型的混合,提出的LGB2Deep FM等模型也比基础模型有显著的提升效果。实验也显示集成学习可以大程度提高模型的训练效果,各种模型有其各自的优势,可以通过不同类型的模型混合达到预期效果。

关键词：点击率预测时序自注意力机制树算法 Blending集成

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的点击率预测问题研究

基于深度学习的点击率预测问题研究

作者：张文强辽宁科技大学

学位级别：硕士

近年来,互联网的数据采集技术不断成熟,信息过载问题日益严重,而推荐系统是解决信息过载的有效工具之一。在工业化的推荐系统中,点击率预测成为推荐系统排序阶段的重要环节,而传统的点击率预测模型已经不能满足当前的任务需求。随着深... 详细信息

近年来,互联网的数据采集技术不断成熟,信息过载问题日益严重,而推荐系统是解决信息过载的有效工具之一。在工业化的推荐系统中,点击率预测成为推荐系统排序阶段的重要环节,而传统的点击率预测模型已经不能满足当前的任务需求。随着深度学习技术在各领域不断成熟,也逐渐被应用于推荐系统的点击率预测任务之中。本文通过对基于深度学习的点击率预测模型进行研究分析,提出两种新的点击率预测模型。（1）基于extreme Deep Factorization Machine（xDeepFM）的点击率预测模型。可从多角度挖掘特征间的组合关系,表达能力更强,且可实现完全自动学习。为解决推荐数据特征冗余问题,引入注意力机制,可以根据场景需求动态学习特征重要性权值,抑制噪声数据。同时改进了激活函数,可以根据数据分布灵活调整跃阶变化点,有效提升了模型预测准确率。在开源数据集Avazu和Criteo上进行了对比实验,实验结果表明该模型预测的准确率和偏差比现阶段的深度学习预测模型更优秀。（2）基于改进的xDeepFM和用户兴趣的点击率预测模型。利用多头注意力机制提取用户行为序列的兴趣因子,保证了用户兴趣的进化性,针对给定不同的待预测物品ID,可以学习不同的多样性权值。网络输出含有用户兴趣因子的表征向量,将用户兴趣表征与挖掘到的特征组合进行拼接,可有效提升整体模型的推荐多样性。在开源数据集Movie Lens上进行实验,实验结果表明模型预测准确率比其他预测模型更高。

关键词：深度学习点击率预测特征组合注意力机制

基于FM的深度学习模型的在线广告点击率预测研究

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FM的深度学习模型的在线广告点击率预测研究

作者：王珂上海师范大学

学位级别：硕士

在计算广告中,预测用户是否会点击某个广告是一类非常重要的机器学习问题。提高广告点击率预测的准确率,对用户进行个性化推荐,一方面可以解决用户在“信息过载”的情况下高效获得感兴趣信息的问题,挖掘用户的潜在需求,另一方面能增加... 详细信息

在计算广告中,预测用户是否会点击某个广告是一类非常重要的机器学习问题。提高广告点击率预测的准确率,对用户进行个性化推荐,一方面可以解决用户在“信息过载”的情况下高效获得感兴趣信息的问题,挖掘用户的潜在需求,另一方面能增加平台和广告主的收益。在大数据时代下,互联网平台需要有效地利用平台积累的大量用户历史行为数据,从而实现对广告点击率的精准预估。然而,在使用海量的数据进行广告点击率预测时,存在着诸多难题,点击率预估成为一个非常重要的研究课题。基于此方向,本文在国内外文献研究基础上,通过2020年华为平台提供的海量广告点击率数据,基于GBDT+Deep FM模型构建在线广告点击率预测模型,预估用户点击广告的概率,从理论和实践两个方面验证模型的可行性。本文的重点主要从以下四个方面展开:1.在数据处理部分,基于本文的在线广告点击率数据集,进行数据的探索和可视化实现,针对不同的特征变量进行数据缺失和编码处理。在特征工程中,通过对实际业务背景的理解构建了合理的特征工程框架,其中基本统计特征30个,曝光量特征15个,历史点击率特征22个,共计102个特征作为在线广告点击率预测模型的特征变量。2.在模型构建部分,针对目前广告点击率预测存在的问题和点击率数据集高维稀疏的特点,本文提出GBDT+Deep FM模型用于在线广告点击率预测,介绍了模型的原理和创新性,可同时满足记忆与泛化的需求。3.在预测结果部分,本文通过设置不同的超参数,对比分析了超参数的不同取值对模型点击率预估结果的影响,进而得到最优超参数。通过对比是否进行特征工程的模型预测结果,本文的特征工程提升了在线广告点击率预测的准确率。为了深入挖掘业务数据,使用GBDT模型筛选出影响在线广告点击率预测的前十个重要特征。4.在模型对比部分,GBDT+Deep FM模型分别与传统机器学习模型（LR、FM、GBDT、GBDT+LR）、深度学习模型（FNN、NFM、Wide＆Deep、Deep FM）进行点击率预测效果的对比。实验结果显示,GBDT+Deep FM模型预测结果的AUC值为0.7377,Log Loss值为0.3123。GBDT+Deep FM模型与其他模型相比,在AUC值上可以提升0.04%-7.5%,能够有效地提升在线广告点击率预测的准确性。

关键词：在线广告点击率预测深度学习梯度提升树 DeepFM

基于Wide and Dien模型的广告点击率预测方法研究

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Wide and Dien模型的广告点击率预测方法研究

作者：崔贝多海南大学

学位级别：硕士

随着互联网大数据的爆炸式增长和计算机技术的升级给广告行业带来了巨大的改变。突出变化发生在广告传播载体上,传统的广告以纸质媒体为媒介,现在广告更多的转向了互联网在线平台,因此计算广告这门学科也应运而生。计算广告的产生给互... 详细信息

随着互联网大数据的爆炸式增长和计算机技术的升级给广告行业带来了巨大的改变。突出变化发生在广告传播载体上,传统的广告以纸质媒体为媒介,现在广告更多的转向了互联网在线平台,因此计算广告这门学科也应运而生。计算广告的产生给互联网广告平台带来了巨大的商机和利益,其核心计费模式为CPC（按点击次数付费）,在这种计费模式下,广告点击率的预测就成为了热点和核心问题,引起了工业界和学术界的关注。因为提高了广告点击率预测的准确率就相当于提高广告商的收益、提高互联网用户体验满意度、提高互联网平台的佣金收入以及用户粘性。（1）本文首先对亚马逊公开数据集进行样本选择,选择数据集中的电子产品子集进行实验,再根据用户点击序列生成训练集和测试集,训练集包含正样本和负样本。（2）本文对广告点击率预测模型进行实验分析,深度神经网络模型学习能力强,不需要人工特征组合,自主学习到高阶非线性特征,但是数据量不足时会出现过泛化。广度深度训练模型将线性模型与深度神经网络模型联合训练,不但具有记忆能力同时还具有泛化能力。深度兴趣网络是在深度神经网络结构中的引入局部激活机制,通过分析广告商品与用户历史行为的相关性来为用户历史信息分配权重,提高了点击率预测的准确性。（3）本文针对广告点击率预测问题提出Wide and Dien模型。该模型中深度兴趣进化网络能够抽取用户的兴趣按照时间排列成时间序列,通过引入GRU模块找到用户兴趣之间隐含的依赖性,形成兴趣的演变趋势,再与Wide侧联合训练。最后,将其与Wide and Deep模型、Dien模型进行实验对比,验证了本文提出的模型在预测效果上有明显提升。（4）本文实现了文旅商品推荐平台,平台的核心商品推荐模块使用本文提出的Wide and Dien模型实现。

关键词：点击率预测深度兴趣进化网络联合训练

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种DSP广告点击率预测的研究与实现

一种DSP广告点击率预测的研究与实现

作者：贺鹏程上海交通大学

学位级别：硕士

随着程序化购买的模式日渐清晰与需求日益增大,需求方平台(DSP Demand-Side-Platform)发展非常迅速,近年来市场规模每年已达数百亿元,广告点击率预测作为需求方平台的核心技术之一,对提升需求方平台的竞争力起着关键作用。本文立足于DS... 详细信息

随着程序化购买的模式日渐清晰与需求日益增大,需求方平台(DSP Demand-Side-Platform)发展非常迅速,近年来市场规模每年已达数百亿元,广告点击率预测作为需求方平台的核心技术之一,对提升需求方平台的竞争力起着关键作用。本文立足于DSP广告点击率预测的具体场景和需求,通过查阅大量相关文献,对点击率预测模型进行了深入分析,研究了谷歌、微软、脸书等大公司在广告点击率预测问题上采用的方案,重点参考了脸书提出的梯度提升决策树组合逻辑回归的模型,把逻辑回归替换为基于特征列的因子分解,得到一个新的预测模型:梯度提升决策树和基于特征列的因子分解的组合模型。通过梯度提升决策树对连续特征及选择性对部分原始特征进行转化生成新特征,很好地进行了特征组合并且避免过度拟合,而基于特征列的因子分解模型通过分解成多维空间,使模型的精确度更高。其次在庞大特征空间的问题上,针对单个特征采用卡方检验进行特征选择,以过滤一些对训练没有帮助的特征,从而降低特征空间以及提高训练数据的质量;同时使用散列技巧对卡方特征选择的结果进行降维,以达到一个在具体实现中可接受的量级。本文同时基于计算框架Spark对这一模型进行了实现,把整个实现过程分为4部分:梯度提升决策树部分对连续特征和部分类属特征进行特征组合生成新特征;基于特征列的因子分解预处理一阶段对连续特征进行压缩处理;而预处理阶段二实现卡方特征选择及散列技巧;最后将前3部分的特征合并对基于特征列的因子分解模型进行训练。大部分算法的实现都是基于Spark MLlib库,如梯度提升决策树、卡方特征等;而基于特征列的因子分解的算法实现借助于第三方扩展库。最后通过实验和其它几种常用模型的对比,论证了本文模型的有效性。

关键词：程序化购买计算广告实时竞价点击率预测需求方平台

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于情感分析的电影点击率预测推荐研究

基于情感分析的电影点击率预测推荐研究

作者：刘玉春西南大学

学位级别：硕士

随着信息技术和移动互联网的迅速发展,传统的院线电影开始以“互联网+电影”的新形态进入大众视野。腾讯视频、爱奇艺、优酷、咪咕视频、西瓜视频、暴风影音和影视大全等播放器上的电影层出不穷,电影数据呈暴发式增长。用户如何从海量... 详细信息

随着信息技术和移动互联网的迅速发展,传统的院线电影开始以“互联网+电影”的新形态进入大众视野。腾讯视频、爱奇艺、优酷、咪咕视频、西瓜视频、暴风影音和影视大全等播放器上的电影层出不穷,电影数据呈暴发式增长。用户如何从海量数据中快速找到符合自身兴趣偏好的电影,商家怎么以最大限度吸引新用户、增加用户忠诚度等成为难题。个性化推荐是解决这些问题最便捷有效的方式,它可以集成物品属性、用户历史行为、以及用户特征(如,用户兴趣偏好),从海量数据中挖掘有价值的信息。这一方面,可帮助用户高效地获取喜欢的电影,减少重复和厌恶信息的浏览;另一方面,可为服务商获取更多新用户、增加用户粘性和提高电影数据资源的利用率,从而为服务商实现商业目标的连续增长。传统的基于内容和协同过滤的推荐算法已在工业界取得优异效果,但它们本质上都是基于用户或物品间相似度计算的推荐,对历史信息的依赖性极高,且没有充分考虑用户的真实兴趣偏好。此外,传统推荐模型依赖于大量的人工特征设计,无法自动学习用户和项目之间的深层交互特征,算法的有效性和可扩展性受到限制。为避免这些问题,同时满足推荐算法的记忆功能和泛化功能,充分挖掘连续特征与离散特征之间的交互信息,推高电影的推荐质量。本文采用了融入情感分析的GBDT+AFM算法的组合模型进行电影点击率预测的方式,实现电影的推荐。推荐模型的实现主要包括:1.使用TF-IDF值作为Word2Vec关键词向量的权重,计算句子向量。通过逻辑回归、支持向量机、多项式朴素贝叶斯、Light GBM和快速文本分类算法的Stacking模型对用户评论进行情感分类,提取评论中的情感值。从Stacking模型和各个子模型的的对比结果发现,Staking模型的分类准确率高达91.65%,比各个子模型的准确率提高了4.68%到13.31%。Stacking模型能够充分提取用户评论数据中的情感信息。2.通过观点过滤法计算用户对已观看电影的评分与评论的综合得分。显然,相比之下综合得分更能体现用户的真实兴趣偏好。如,某用户对《天才枪手》的原始评分为2分,评论为“真实事情改编,那也真的很佩服主角们的智商非常厉害!”,综合评分为“3.8”分。用户的评分明显为一个差评,但从它的评论信息却是赞同的态度,综合评分3.8分更能体验47511486用户观影后的真实情感。3.使用GBDT算法将数据集中的用户评分统计特征、豆瓣评分、评分占比、看过人数、片长、评论人数占比等特征进行特征转化。每一颗决策树相当于一个离散特征,样本所落决策树叶子节点的索引作为对应转化特征的值,最终生成一个维的新特征数据。模型的在测试集上的AUC值达到96.05%,这表明转化后的特征能够对原始特征进行充分的提取,且在一定程度上还能对原始特征进行去噪。4.将通过GBDT转化得到的离散特征和原始离散特征共同作为AFM的输入,实现电影点击率的预测。用户在选择电影时,对电影的内容、导演和电影网站评分等各方面看重程度不同。AFM模型中的注意力机制层可以学习交互特征对预测结果的贡献程度,相比于FM模型中对不同特征的“一视同仁”,更加符合电影数据。最终实验结果表明,GBDT+AFM的组合模型优于GBDT+FM组合模型与没有进行GBDT特征转化的AFM模型。GBDT+AFM组合模型在测试集上的损失同GBDT+FM与AFM模型相比得到显著降低,降低至0.289730。此外,GBDT+AFM组合模型在测试集上的AUC值、准确率、召回率、精确率和F1-得分上也得到明显提高。GBDT+AFM模型的AUC值达到92.91%,比GBDT+FM组合模型和AFM模型分别提高了10.51%和7.53%。从损失值和AUC值可以看出,使用GBDT+AFM模型进行点击率预测的整体性能更优。从准确率的角度,GBDT+AFM模型的准确率达到87.85%,高出GBDT+FM模型7.24%、AFM模型6.33%。同时,GBDT+AFM组合模型的精确率相对于GBDT+FM和AFM模型提高了8.91%和4.03%,召回率提高了4.48%和7.36%,这说明GBDT+AFM的预测结果更具可靠性。综合而言,GBDT+AFM模型的稳健性和预测性能等各方面都优于GBDT+FM模型和AFM模型,将该组合模型用于电影点击率的预测具有更好的预测效果。此外,融入情感分析后推荐的电影相比于直接将用户已观看的电影作为正样本推荐的电影与用户真实的电影偏好更接近,前者推荐的电影与用户历史榜单中高评价电影之间具有更高的相似度。总之,基于情感分析的GBDT+AFM组合模型不仅充分考虑了用户的真实兴趣偏好,同时能够挖掘连续特征或离散特征间的隐藏信息,具有更强的泛化能力和学习能力,推荐电影的质量更高。

关键词：情感分类 Stacking算法点击率预测 AFM算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的点击率预测模型研究

基于深度神经网络的点击率预测模型研究

作者：李浩山东师范大学

学位级别：硕士

在线广告领域中一直存在点击率预测这一热点问题,点击率预测在为用户提供更好的广告体验的同时可以提高广告主的收益。虽然已有学者将因式分解机应用到点击率预测模型中,并且提出了基于神经网络的点击率预测方法,但在高维、高稀疏的广... 详细信息

在线广告领域中一直存在点击率预测这一热点问题,点击率预测在为用户提供更好的广告体验的同时可以提高广告主的收益。虽然已有学者将因式分解机应用到点击率预测模型中,并且提出了基于神经网络的点击率预测方法,但在高维、高稀疏的广告数据上预测准确率仍然不高。所以,针对这些问题本文开展了一系列的研究,主要的研究工作和创新点如下:1.本文首先介绍了点击率预测的相关知识和该方向的研究背景,分析了国内外的研究现状。其次,介绍了点击率预测中遇到的相关技术问题,主要总结了基于因式分解机的点击率预测方法,说明了点击率预测中常用的评价指标。最后,本文详细介绍了基于支持向量机的点击率预测。2.由于深度神经网络在挖掘特征交互方面表现了出强大的功能,因此,本文介绍了基于深度神经网络的点击率预测模型,主要介绍了因式分解机与神经网络相结合的模型。这种模型可以很好地挖掘高阶特征交互和低阶特征交互,同时可以共享相同的输入而不需要任何的特征工程,并在一定程度上提高了点击率预测的准确度。3.目前大多数点击率预测模型只考虑如何挖掘特征交互,而忽略了用户自身兴趣对点击率预测结果的影响。因此,本文提出了基于长短期记忆网络的点击率预测模型,该模型运用长短期记忆网络提取用户兴趣特征,并结合其它特征共同用于点击率预测。与现有其它模型相比较,本文所提出的模型提高了点击率预测的准确率。4.本文在上述工作的基础上,结合注意力机制,捕捉用户兴趣的演化过程,提出了基于用户兴趣演化的点击率预测模型。该模型首先对用户的行为数据建模,挖掘用户的兴趣特征。然后,使用双向门控循环单元和注意力机制捕捉用户兴趣的演化轨迹。最后,该模型基于自编码神经网络来学习特征高度非线性的交互。实验结果表明该模型更好地提高了点击率预测的准确性。综上所述,本文从点击率预测研究和实践中存在的问题出发,提出了点击率预测模型,该模型基于深度神经网络,能够更好地挖掘隐藏的特征交互。最后通过理论及实验证明了本文研究工作的有效性,所提出的模型在一定程度上提高了点击率预测的准确率。

关键词：点击率预测神经网络深度学习因式分解机计算广告

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

搜索广告点击率预测算法研究与实现

搜索广告点击率预测算法研究与实现

作者：常明哈尔滨工业大学

学位级别：硕士

互联网广告主要分为搜索广告、展示广告等形式,而在这其中,搜索广告是规模最大,增长最快的广告投放方式。搜索广告是依据用户提供的查询关键字对广告进行投放,是最了解用户搜索意图的广告投放形式。搜索广告最关键的技术是广告点击率的... 详细信息

互联网广告主要分为搜索广告、展示广告等形式,而在这其中,搜索广告是规模最大,增长最快的广告投放方式。搜索广告是依据用户提供的查询关键字对广告进行投放,是最了解用户搜索意图的广告投放形式。搜索广告最关键的技术是广告点击率的预测,广告点击率预测就是预测分析用户行为对投放的广告的点击率,广告点击率关系着广告投放的排序和广告点击收费等因素,因此研究广告点击率对整个搜索广告收入提高有着至关重要的意义。搜索广告利用搜索引擎的技术,分析用户输入的查询意图,提取相应的关键词,根据提取到的关键词,进行语义相关度计算,从广告库中进行索引,给出相应符合用户需求的广告检索结果。当搜索引擎等平台提供的检索排序候选结果中的广告,与用户输入的关键词等相关性越高,用户越感兴趣,点击的行为可能性越高,相应的广告点击率越高,广告收入越高。本文的主要研究和实现内容安排如下:(1)首先对数据集进行清洗和预处理,统计数据信息,提取浅层的特征,并采用常见的机器学习方法进行特征工程。逻辑斯蒂回归模型作为基线方法,将预测的点击率问题作为分类问题,在采用传统机器学习方法中,使用GBDT模型与逻辑斯蒂回归模型融合的方案,对特征组合,进一步深入挖掘影响点击率的因素,提高模型的非线性学习能力。对于数据集中出现的数据稀疏和缺失问题,采用近几年在各种比赛中效果比较好的因子分解机FM算法,与基线方法比较优化结果。(2)搜索广告中的用户查询请求与广告标题之间的相似度对点击率有至关重要的作用,本文首先采用卷积神经网络模型来提取深层次的相似度特征,并将其与人工挖掘到的特征相结合,共同输入到点击率的预测模型中,得到实验结果,实现效果提升。(3)循环神经网络更适合处理序列数据,因此本文也研究了基于循环神经网络的相似度的特征提取。实验分析对比不同类型循环神经网络模型的实验结果,如长短期记忆单元网络,门控循环单元网络,及相应的双向网络形式等,并结合静态注意力和动态注意力机制比较实验结果,提取最好的相似度特征,从而优化最终的点击率预测结果。

关键词：搜索广告点击率预测逻辑斯蒂回归语义相似度深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向点击率预测的集成学习关键算法研究

面向点击率预测的集成学习关键算法研究

作者：仇笠舟电子科技大学

学位级别：硕士

随着互联网的快速发展和普及,传统的广告行业与互联网进行结合,使得在线投放广告成为可能。实时竞价系统,作为现有互联网广告投放的重要渠道,在学术界和工业界中备受关注。在实时竞价系统中,针对需求方平台的研究主要集中在广告点击率... 详细信息

随着互联网的快速发展和普及,传统的广告行业与互联网进行结合,使得在线投放广告成为可能。实时竞价系统,作为现有互联网广告投放的重要渠道,在学术界和工业界中备受关注。在实时竞价系统中,针对需求方平台的研究主要集中在广告点击率预测、出价算法研究和竞价愿景预测等方面。其中点击率预测作为用户反馈信息的重要衡量手段,也是作为后续出价算法的重要依据,一直是实时竞价系统中的一个重要研究方向。近年来,机器学习和深度学习被用于点击率预测,研究人员提出了很多优秀的点击率预测模型,在对这些模型进行总结后,本文在集成学习(Ensemble Learning)思想下,结合深度残差网络,提出了一种基于残差网络的点击率预测融合模型,并进一步提出了一个基于集成学习的点击率预测框架。本论文的主要工作和研究内容如下:(1)对近些年提出的点击率预测模型进行了归纳和分类,发现在点击率预测模型中使用深度神经网络是一个趋势。残差网络在图像识别领域运用广泛,较好地解决了深度神经网络中网络层数过深带来的梯度消失和梯度爆炸等问题。因此本文通过将残差网络的设计思路引入进点击率预测模型设计中,在FNN(Factorization Machine supported Neural Network)模型的基础上提出了基于残差网络的单模型ResNet1和ResNet2。(2)在两个基于残差网络的单模型基础上,通过集成学习的设计思路,将两个残差网络进行融合,得到基于残差网络的融合模型ResNet。ResNet模型中包含了两种不同的残差网络设计,并且在嵌入层中通过Attention机制,对二阶特征赋予重要性权重,进一步优化了模型的性能。通过两个不同数据集上的对比实验证明,ResNet1、ResNet2和ResNet模型的性能均超越了对比模型中的全部模型。其中,在Criteo数据集上,ResNet模型在ResNet模型比对比模型中最优的Wide&Deep模型在AUC指标上提升了0.24%,在LogLoss指标上提升了0.42%。在Avazu数据集上,ResNet模型比对比模型中最优的FM模型在AUC指标上提升了0.34%,在LogLoss指标上提升了0.39%。(3)本文还提出了一种启发式的集成学习框架,用于集成点击率预测模型。通过将不同的点击率预测模型对于样本的预测结果输入到框架中,该框架自动计算模型之间的差异度,并筛选出性能较优且差异度较大的模型进行集成,最终得到集成后的点击率预测模型。通过在iPinYou四个数据集上的实验,证明了该框架的有效性。

关键词：在线广告点击率预测深度学习残差网络集成学习

基于点击率预测的在线广告实时竞价优化模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于点击率预测的在线广告实时竞价优化模型研究

作者：张颖欣东北大学

学位级别：硕士

近年来,互联网的快速发展促使社交流量和电商流量急剧上升,媒体将网页上的部分资源当作广告位出售,逐渐成为其进行流量变现的一个重要手段。精准的广告投放作为一种新型的展示广告投放模式,对用户、媒体和广告商均有利,实时竞价使广告... 详细信息

近年来,互联网的快速发展促使社交流量和电商流量急剧上升,媒体将网页上的部分资源当作广告位出售,逐渐成为其进行流量变现的一个重要手段。精准的广告投放作为一种新型的展示广告投放模式,对用户、媒体和广告商均有利,实时竞价使广告位形成由线下定价到线上售卖模式的转变,很大程度上改变了在线广告市场的格局,实时竞价算法研究也因此受到了学术界和广告业的广泛关注。实时竞价算法研究划分为两大关键问题:点击率预测和竞价优化。一方面,点击率预测关系到用户、媒体和广告商三方的利益;另一方面,需求方平台需要参考点击率为广告商制定合理的竞价优化方法。由此可见,对基于点击率预测的在线广告实时竞价优化方法的深入研究是十分有意义的。在过去的几十年里,在互联网环境的广告营销模式下,点击率预测与实时竞价相关的研究领域持续得到了很多专家和学者的关注,并已取得较为成熟的研究成果。但是从最大化需求方平台利润角度,基于点击率预测的实时竞价优化研究方面成果仍较为少见。因此,本文针对点击率预测的在线广告实时竞价优化研究是具有重要的理论和现实意义的。本文主要完成了以下三方面的研究工作:(1)提出了基于改进的门控循环神经网络的点击率预测模型。首先将在线广告日志数据通过数据预处理和主成分分析提取得到相关特征,同时也是对大规模的日志数据进行降维,再对门控循环神经网络模型进行改进,形成GRU-SVR模型,将提取好的特征向量作为输入数据,输入到GRU-SVR模型来预测在线广告的点击率;(2)提出了基于点击率的在线广告实时竞价优化模型。用历史数据拟合赢标率与出价之间的关系,来描述出其他竞价者的行为规律,并在点击率预测结果的基础上,构建在线广告实时竞价优化模型,使用拉格朗日松弛法求解,得到在一定预算下最优的出价价格和广告分配概率,最终实现基于点击率预测的在线广告实时竞价优化;(3)基于点击率预测的A平台在线广告实时竞价优化的应用研究。对A平台的公开数据集进行数据预处理,使用主成分分析的方法对数据进行特征提取,将提取的特征作为点击率预测模型的输入,采用GRU-SVR模型预测在线广告的点击率。然后,根据预测的点击率求出在有限预算的最优出价和广告分配概率;最后,根据利润结果与经典竞价方法形成的结果相对比,证明本文提出方法行之有效。研究结果表明,本文提出的点击率预测的在线广告实时竞价优化方法,能够为现实中需求方平台点击率预测和实时竞价优化问题的解决提供参考。

关键词：在线广告点击率预测门控循环单元(GRU) 实时竞价竞价优化