在如今信息豐富的互聯(lián)網(wǎng)環(huán)境中,最稀缺的資源就是用戶(消費(fèi)者)的注意力,即流量。搜索廣告是廣告平臺(tái)給廣告主(商家)提供一種購買用戶注意力的機(jī)制,讓廣告主的廣告能夠觸達(dá)消費(fèi)者。搜索廣告的轉(zhuǎn)化率(CVR)是廣告商品被用戶點(diǎn)擊后產(chǎn)生購買行為的概率。準(zhǔn)確預(yù)估轉(zhuǎn)化率,一方面,能夠使得廣告主匹配到最可能購買自家商品的用戶,進(jìn)而提升廣告主的投入產(chǎn)出比(ROI);另一方面,也能讓用戶快速找到購買意愿最強(qiáng)的商品,從而提升用戶在電商平臺(tái)中的購物體驗(yàn)。如何更好地利用海量交易數(shù)據(jù)來高效準(zhǔn)確地預(yù)測用戶的購買意向,對有效提升廣告主的投入產(chǎn)出比和用戶購物體驗(yàn)具有重要的指導(dǎo)意義�；诖朔较�,本文就國內(nèi)外文獻(xiàn)研究基礎(chǔ)上,通過2018年淘寶平臺(tái)的海量真實(shí)交易數(shù)據(jù),利用數(shù)據(jù)挖掘技術(shù)基于集成學(xué)習(xí)算法構(gòu)建搜索廣告轉(zhuǎn)化率預(yù)測模型來預(yù)估用戶的購買意向,本文主要包括特征工程和模型建立兩個(gè)部分。特征工程部分,主要包括以下兩個(gè)方面。一方面,數(shù)據(jù)探索性分析和數(shù)據(jù)預(yù)處理。對數(shù)據(jù)集進(jìn)行分布和對比的可視化展現(xiàn),進(jìn)行樣本數(shù)據(jù)集結(jié)構(gòu)和規(guī)律的探索性分析,為后續(xù)選擇合適的數(shù)據(jù)預(yù)處理方式以及對搜索廣告轉(zhuǎn)化率預(yù)測模型的深入業(yè)務(wù)挖掘提供支持。在數(shù)據(jù)預(yù)處理中,針...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究內(nèi)容、方法和技術(shù)路線
        1.2.1 研究內(nèi)容
        1.2.2 研究方法
        1.2.3 技術(shù)路線
    1.3 本文的主要貢獻(xiàn)
第2章 文獻(xiàn)綜述和相關(guān)理論
    2.1 文獻(xiàn)綜述
        2.1.1 計(jì)算廣告研究現(xiàn)狀
        2.1.2 集成學(xué)習(xí)研究現(xiàn)狀
    2.2 相關(guān)理論
        2.2.1 隨機(jī)森林算法
        2.2.2 XGBoost算法框架
        2.2.3 LightGBM算法框架
        2.2.4 Stacking算法框架
第3章 數(shù)據(jù)來源和特征工程
    3.1 數(shù)據(jù)來源和說明
    3.2 數(shù)據(jù)可視化及探索性分析
    3.3 數(shù)據(jù)預(yù)處理
        3.3.1 缺失值的分析和處理
        3.3.2 離散化處理
        3.3.3 標(biāo)準(zhǔn)化處理
        3.3.4 離散數(shù)據(jù)處理
    3.4 特征提取
第4章 基于集成學(xué)習(xí)算法的搜索廣告轉(zhuǎn)化率預(yù)測模型
    4.1 模型的評價(jià)指標(biāo)
    4.2 搜索廣告轉(zhuǎn)化率預(yù)測模型的建立
        4.2.1 基于隨機(jī)森林的搜索廣告轉(zhuǎn)化率預(yù)測模型的建立
        4.2.2 基于XGBoost的搜索廣告轉(zhuǎn)化率預(yù)測模型的建立
        4.2.3 基于LightGBM的搜索廣告轉(zhuǎn)化率預(yù)測模型的建立
        4.2.4 基于Stacking的搜索廣告轉(zhuǎn)化率預(yù)測模型的建立
    4.3 搜索廣告轉(zhuǎn)化率預(yù)測模型的對比研究
    4.4 搜索廣告轉(zhuǎn)化率預(yù)測模型的深入挖掘
第5章 總結(jié)與后續(xù)研究建議
    5.1 全文總結(jié)
    5.2 后續(xù)研究建議
參考文獻(xiàn)
附錄
致謝



本文編號(hào)：3843477