針對現(xiàn)有搜索廣告轉(zhuǎn)化率預(yù)測模型和分類模型未考慮店鋪特征和用戶需求,為了更好的預(yù)測廣告的轉(zhuǎn)化率,本文基于店鋪特征和用戶需求對廣告轉(zhuǎn)化率進(jìn)行預(yù)測。以阿里搜索廣告為研究對象,提出基于店鋪特征和用戶需求的數(shù)據(jù)預(yù)分析的特征處理方式,對特征進(jìn)行預(yù)分析,即對用戶和店鋪的相關(guān)特征進(jìn)行初次預(yù)測處理,分別求出轉(zhuǎn)化率,以此作為新特征。XGBoost算法泛化性能高,損失函數(shù)同時用到一階導(dǎo)和二階導(dǎo),可以加快優(yōu)化速度,所以運用該算法構(gòu)建基于店鋪特征和用戶需求的阿里搜索廣告轉(zhuǎn)化率預(yù)測模型和轉(zhuǎn)化率分類模型。通過對比預(yù)測結(jié)果在對數(shù)似然損失(Logarith mic loss,Logless)的指標(biāo),該預(yù)測模型的正確預(yù)測率和正確分類率顯著提升。本文使用的特征處理方式能夠充分挖掘商品信息,能夠更好的實現(xiàn)廣告轉(zhuǎn)化率的預(yù)測,有利于提高廣告的競爭力。

【文章頁數(shù)】：5 頁

【文章目錄】：
1 相關(guān)理論與證明
    1.1 特征工程概念
    1.2 特征工程常用方法
        1.2.1 數(shù)值型數(shù)據(jù)
        1.2.2 類別型數(shù)據(jù)
        1.2.3 時間型數(shù)據(jù)
2 基于XGBoost算法的轉(zhuǎn)化率預(yù)測模型和分類模型的構(gòu)建過程
3 系統(tǒng)實現(xiàn)
    3.1 實驗數(shù)據(jù)
    3.2 實驗數(shù)據(jù)特征處理
        3.2.1 用戶信息處理
        3.2.2 廣告商品的信息處理
        3.2.3 上下文信息處理
        3.2.4 One-Hot Encoding處理
        3.2.5 基于店鋪特征和用戶需求的預(yù)分析特征處理
4 實驗評價與討論
    4.1 分類預(yù)測評估指標(biāo)
    4.2 實驗評價
5 結(jié)束語



本文編號：3831371