隨著用戶追蹤技術(shù)進(jìn)一步發(fā)展,近幾年出現(xiàn)了按廣告轉(zhuǎn)化次數(shù)收費(fèi)的新計(jì)費(fèi)方式,如何為用戶匹配轉(zhuǎn)化率最高的廣告,成為近幾年的熱門研究方向。轉(zhuǎn)化率預(yù)估以點(diǎn)擊率預(yù)估方法的復(fù)用為主,專門針對(duì)轉(zhuǎn)化率預(yù)估的研究較少。廣告轉(zhuǎn)化率預(yù)估有幾個(gè)難點(diǎn):轉(zhuǎn)化數(shù)據(jù)維度極高、轉(zhuǎn)化數(shù)據(jù)高度稀疏、樣本包含不隨機(jī)的錯(cuò)誤標(biāo)記,這造成目前廣告轉(zhuǎn)化率預(yù)估的效果仍然很不理想�；谏鲜霰尘�,本文將集成學(xué)習(xí)方法應(yīng)用于在線廣告轉(zhuǎn)化率的預(yù)估,探究在多維度特征模型之下的轉(zhuǎn)化率預(yù)估與個(gè)性化推薦。研究主要包含兩個(gè)方面:(1)特征工程。本文分析了在線廣告的特點(diǎn),建立了基于{用戶,廣告,情境}的多維度特征模型,并采用了貝葉斯平滑、極度熱門項(xiàng)目降權(quán)懲罰和自然屬性特征概率化三種修正方法,對(duì)基礎(chǔ)多維度特征模型進(jìn)行了修正。(2)模型算法�；诩蓪W(xué)習(xí)設(shè)計(jì)了一種較復(fù)雜的三層集成模型,該模型包含三個(gè)子集成模型:GBDT的Stacking集成模型、FFM的Stacking集成模型以及XGBoost和FM的串行集成模型,并設(shè)計(jì)和實(shí)現(xiàn)了求解該模型的算法。本文采用了logloss和AUC值兩種評(píng)價(jià)指標(biāo)評(píng)估模型的預(yù)估效果,與單模型相比,本文提出的特征修正方法和集成模型對(duì)轉(zhuǎn)化率預(yù)估的效果有顯著提升。相比傳統(tǒng)方法,本文提出的方法通過(guò)將多個(gè)結(jié)構(gòu)具有較大差異性的模型進(jìn)行集成,充分利用樹(shù)模型和廣義線性模型性的優(yōu)點(diǎn),減少了模型的過(guò)擬合現(xiàn)象,提高了泛化能力和預(yù)測(cè)的準(zhǔn)確程度,是一種對(duì)稀疏數(shù)據(jù)進(jìn)行預(yù)測(cè)的有效方法。本文通過(guò)以上研究,豐富了在線廣告?zhèn)�性化推薦領(lǐng)域的理論基礎(chǔ),也為移動(dòng)端在線廣告轉(zhuǎn)化率預(yù)估提供了一種較為通用的方法,具有一定的理論意義和現(xiàn)實(shí)意義。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F713.8
【部分圖文】：

告商事先指定的動(dòng)作［３Ｇ］，例如完成了一次表單的填寫、一項(xiàng)商品的購(gòu)買、一次應(yīng)??用的下載等。這個(gè)指定的動(dòng)作可能是某個(gè)動(dòng)作，可能是一個(gè)特定的動(dòng)作序列，也??有可能是某個(gè)動(dòng)作（序列）集合中的任意一個(gè)。圖２－１是一個(gè)典型的在線廣告轉(zhuǎn)??化示例：用戶從廣告入口進(jìn)入廣告落地頁(yè)，這個(gè)落地頁(yè)包含２類轉(zhuǎn)化動(dòng)作：“撥??打電話”和“提交表單”。“撥打電話”是一個(gè)轉(zhuǎn)化動(dòng)作，“提交表單”是一個(gè)包??含了?“填寫表單”和“提交表單”兩個(gè)動(dòng)作的轉(zhuǎn)化動(dòng)作序列，這里的轉(zhuǎn)化動(dòng)作和??轉(zhuǎn)化動(dòng)作序列共同構(gòu)成了這一則在線廣告的轉(zhuǎn)化動(dòng)作（序列）集合，用戶只需要??完成這個(gè)集合中的任意一個(gè)動(dòng)作或動(dòng)作序列，就可以被認(rèn)為是完成了一次在線廣??告的轉(zhuǎn)化。??蘇級(jí)談ｍ丨奔馳車壬不飱受通歉．．．＜?龍京五十家裝饒?？？？??關(guān)＃推稃視雜熱點(diǎn)新時(shí)代北ｊ?＝?■■Ｂ?５??共建－帶－路－共享豐麵糶??ｍ?ｆｃ?＿Ｌ，?．．?＾：Ｉ??三問(wèn)奔麟權(quán)攀件：搌務(wù)費(fèi)進(jìn)了逛滕包？能?？ＪＬ－１Ｗ￡Ｓｈｍ?＾??ＢＭｊＢＴｗ．?�。海�?？－ｓ，？際范的螯裝要花多少錢５??和物喊？?已賽⑶邱位此主賄了接鎌轉(zhuǎn)?Ｉ??在索裝蝝？不１；楚．金是年筘．鉍ｏｎｒｕｎ??個(gè)價(jià)玆虧了?Ｉ???〇?＜〇ｎ?１％??Ｌ?ｍｔｍ?ｘｘ？：?ｎ?？ｉ４Ｒ：??ｉｔ?■???賺、纖－??Ｌ?ｍ?ｒ￣￣???＿?Ｍ?戀＾作２的前序動(dòng)作??．北莊卞家麯?｛ｍｍ｝??卿?Ｊ?—膨??豬肚這樣吃方叫爽

?Ｄ４：訓(xùn)練?Ｄ４：預(yù)測(cè)??圖２－８?Ｓｔａｃｋｉｎｇ算法原理示意圖??Ｆｉｇｕｒｅ?２－８?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｐｒｉｎｃｉｐｌｅ?ｏｆ?Ｓｔａｃｋｉｎｇ?ｍｅｔｈｏｄ??１４??

次級(jí)學(xué)習(xí)器的輸入，最終獲得強(qiáng)學(xué)習(xí)器。??，初級(jí)學(xué)習(xí)器１?｜－＾?次級(jí)特征１??訓(xùn)練集Ｄ１?—－？初級(jí)學(xué)習(xí)器２?—－一?＋?次級(jí)特征２?—次級(jí)學(xué)習(xí)器－＞?強(qiáng)學(xué)習(xí)器??－？初級(jí)學(xué)習(xí)器ｎ」?Ｕ－次級(jí)特征ｎ?—??圖２－７?Ｂｌｅｎｄｉｎｇ算法原理示意圖??Ｆｉｇｕｒｅ?２－７?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｐｒｉｎｃｉｐｌｅ?ｏｆ?Ｂｌｅｎｄｉｎｇ?ｍｅｔｈｏｄ??２．２．４?Ｓｔａｃｋｉｎｇ?算法??Ｓｔａｃｋｉｎｇ算法和Ｂｌｅｎｄｉｎｇ算法類似，區(qū)別在于Ｓｔａｃｋｉｎｇ采用ｋ－ｆｏｌｄ方法將訓(xùn)??練集分為若干個(gè)子集，用交叉驗(yàn)證的方法得到全部訓(xùn)練數(shù)據(jù)的預(yù)測(cè)值，然后將它??們作為次級(jí)學(xué)習(xí)器的輸入特征，也就是說(shuō)Ｂｌｅｎｄｉｎｇ算法在訓(xùn)練初級(jí)學(xué)習(xí)器的時(shí)候??只用了訓(xùn)練集中的部分?jǐn)?shù)據(jù)，而Ｓｔａｃｋｉｎｇ算法使用了全部的數(shù)據(jù)。以將訓(xùn)練集分??為４份為例，原理如下圖??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;數(shù)字[J];廣告大觀(綜合版);2013年06期

2 程征;;傳統(tǒng)媒體在線廣告漸入佳境[J];中國(guó)記者;2010年07期

3 程征;郭雨;;美國(guó)傳統(tǒng)媒體在線廣告回暖的六個(gè)秘訣[J];中國(guó)記者;2010年10期

4 杰森·庫(kù)珀曼;;在線廣告：冬天里的自我改善[J];商務(wù)周刊;2009年01期

5 詹尼弗·薩巴;張世海;;報(bào)業(yè)的在線廣告該怎么做?[J];中國(guó)報(bào)業(yè);2009年12期

6 楊偉慶;;從新浪看2008年在線廣告[J];互聯(lián)網(wǎng)周刊;2008年06期

7 詹逾;;浙江在線廣告公交車上路[J];新聞實(shí)踐;2007年05期

8 陳杰;;在線廣告模式是靈丹妙藥嗎?[J];市場(chǎng)觀察;2007年09期

9 ;2008年美在線廣告市場(chǎng)將達(dá)207億美元[J];印刷技術(shù);2007年31期

10 方蕾;;在線廣告事倍功半 長(zhǎng)期利益及短期回報(bào)需慎重權(quán)衡[J];IT時(shí)代周刊;2006年01期

相關(guān)博士學(xué)位論文 前3條

1 王永;在線廣告網(wǎng)絡(luò)的評(píng)估與優(yōu)化[D];電子科技大學(xué);2011年

2 歐海鷹;互聯(lián)網(wǎng)環(huán)境下在線廣告位置管理研究[D];北京郵電大學(xué);2011年

3 紀(jì)文迪;時(shí)間敏感的轉(zhuǎn)化率預(yù)測(cè)和歸因分析[D];華東師范大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 曾貴川;在線廣告需求方平臺(tái)利潤(rùn)優(yōu)化算法研究[D];電子科技大學(xué);2019年

2 歐桐桐;基于集成學(xué)習(xí)的在線廣告轉(zhuǎn)化率預(yù)估算法的研究[D];北京交通大學(xué);2019年

3 張思遙;在線廣告需求方平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

4 張永歡;在線廣告資源管理與發(fā)布系統(tǒng)[D];山東大學(xué);2018年

5 胡曉紅;基于眼動(dòng)追蹤的在線廣告效果研究[D];山東師范大學(xué);2018年

6 張志浩;基于深度學(xué)習(xí)的在線廣告點(diǎn)擊率預(yù)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京大學(xué);2015年

7 蔣俊翔;在線廣告中的點(diǎn)擊率和轉(zhuǎn)化率預(yù)估問(wèn)題研究[D];華南理工大學(xué);2018年

8 徐智;基于改進(jìn)時(shí)間分片算法的在線廣告點(diǎn)擊率預(yù)估研究[D];南昌大學(xué);2018年

9 代文濤;面向搜索引擎的在線廣告系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2018年

10 武澤群;面向電子商務(wù)網(wǎng)站的在線廣告系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2018年

本文編號(hào)：2851080