【摘要】：近年來,隨著互聯(lián)網(wǎng)技術的快速發(fā)展,為廣大互聯(lián)網(wǎng)用戶帶來了極大的便利,以及互聯(lián)網(wǎng)用戶群體數(shù)量的快速增加和用戶群體種類的多樣化,人們的生活越來越離不開互聯(lián)網(wǎng)。許多傳統(tǒng)的線下活動都已逐漸轉換為線上活動,因此廣告活動也同樣快速轉化為線上活動,以發(fā)揮在線廣告得天獨厚的優(yōu)勢。實時競價作為當下發(fā)展最快的效果類在線展示廣告的主要投放方式,在工業(yè)界與學術界都引起巨大的研究興趣。如何更精確地決策每一次廣告投放行為,需要利用數(shù)據(jù)分析、回歸預測以及各種優(yōu)化策略算法,從而最大化收益,這就為廣大研究者提供了巨大的研究空間和挑戰(zhàn)。本論文站在需求方平臺的角度,旨在為提高需求方平臺的利潤收益而優(yōu)化實時競價中的關鍵算法:點擊率預測算法和出價策略算法。點擊率預測是推薦系統(tǒng)和在線廣告的關鍵環(huán)節(jié),本論文首先對幾種典型的點擊率預測模型進行探索研究,特別探索了基于融合結構的深度學習方法,并在此基礎上提出一種基于融合結構的點擊率預測模型,該模型能夠靈活融合不同結構的深度神經(jīng)網(wǎng)絡來分別學習原始高維稀疏特征的高階表示,從而使點擊率預測模型能夠利用更豐富的高階特征信息。本論文利用真實數(shù)據(jù)集來評價模型的預測性能,實驗結果顯示,基于融合結構的深度學習預測模型,能夠比傳統(tǒng)的點擊率預測模型以及最新的基于深度學習的預測模型獲得更好的性能。在實時競價中,需求方平臺對每次接收到的廣告展示機會的請求都會作出一個競價決策,即在滿足廣告商需求的情況下,對廣告請求給出一個競標價,該競標價決定了能不能獲得此次廣告展示機會,從而展示廣告商的廣告,因此一個好的出價算法能為需求方平臺帶來極大的利潤提升。本論文另辟蹊徑,利用強化學習技術對贏標價進行建模,從而給出更為合理的競標價。大多數(shù)傳統(tǒng)的出價算法都需要提前假設贏標價的分布,無法適應動態(tài)的數(shù)據(jù),而基于強化學習的出價算法則可以自動從數(shù)據(jù)中進行學習,這更能適應動態(tài)的數(shù)據(jù),泛化能力更強。實驗結果顯示,相比于傳統(tǒng)出價算法,該算法能獲得更好的性能。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F713.8;TP301.6

【參考文獻】

相關期刊論文 前1條

1 劉開生;王貴軍;;凸函數(shù)的性質及判定[J];天水師范學院學報;2008年05期

，

本文編號：2666063