本文關(guān)鍵詞：基于張量分解的實(shí)時競價廣告響應(yīng)預(yù)測方法　出處：《哈爾濱工業(yè)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 實(shí)時競價廣告 需求方平臺 點(diǎn)擊率預(yù)測 轉(zhuǎn)化率預(yù)測 張量分解 排序優(yōu)化

【摘要】：迅速崛起的實(shí)時競價廣告實(shí)現(xiàn)了需求方由“媒體”購買轉(zhuǎn)向“受眾”購買,實(shí)現(xiàn)了更精準(zhǔn)的廣告投放,成為數(shù)字廣告未來發(fā)展的大趨勢。需求方平臺是實(shí)時競價交易系統(tǒng)的核心,為了實(shí)現(xiàn)精準(zhǔn)廣告投放,需求方平臺必須具有極高的流量評價、流量選擇和自主控制能力,因此需求方平臺的技術(shù)和算法的難度最大。需求方平臺最主要的差別是出價策略,出價直接決定著需求方平臺的流量基本單位成本,決定著利潤。點(diǎn)擊率和轉(zhuǎn)化率預(yù)測是直接影響出價質(zhì)量的重要方面,如何準(zhǔn)確地估計點(diǎn)擊率和轉(zhuǎn)化率成為實(shí)時競價廣告中需要解決的核心問題。本文重點(diǎn)研究實(shí)時競價系統(tǒng)中,面向需求方平臺如何提升廣告點(diǎn)擊率和轉(zhuǎn)化率的預(yù)測性能,以提升需求方的投資回報率。需求方進(jìn)行廣告響應(yīng)預(yù)測主要面臨著四個方面的嚴(yán)酷挑戰(zhàn)。第一,數(shù)據(jù)的稀疏性太高導(dǎo)致預(yù)測結(jié)果不可靠;第二,實(shí)時競價過程對點(diǎn)擊率和轉(zhuǎn)化率預(yù)測算法的時間效率要求高;第三,用戶、上下文和廣告三者之間的交互作用特別復(fù)雜導(dǎo)致預(yù)測難度大;第四,訓(xùn)練數(shù)據(jù)集類別嚴(yán)重不平衡導(dǎo)致預(yù)測準(zhǔn)確率低。本文基于張量分解模型研究各種挑戰(zhàn)的解決策略并尋求有效地綜合解決方案。具體來說,本文的主要工作包括以下四個方面:第一,為了解決實(shí)時競價廣告響應(yīng)預(yù)測面臨的嚴(yán)峻的數(shù)據(jù)稀疏問題,進(jìn)行了基于異構(gòu)信息融合的廣告響應(yīng)預(yù)測方法研究。首先嘗試從用戶生成標(biāo)簽中挖掘新特征來擴(kuò)展用戶特征,然后分析了基于特征的矩陣分解模型集成附加信息的常用策略,面向張量分解模型進(jìn)行借鑒和改進(jìn),針對實(shí)時競價中不同類型異構(gòu)信息的性質(zhì)和特點(diǎn)研究了不同的融合策略,提出了基于張量分解模型的異構(gòu)信息融合綜合解決方案和具體實(shí)現(xiàn)方法。最后,本文在三個不同的數(shù)據(jù)集上通過實(shí)驗(yàn)對比了在不同級別的特征融合情況下,結(jié)果顯示我們的融合策略能夠較好地提升矩陣分解模型和傳統(tǒng)張量分解模型進(jìn)行廣告響應(yīng)預(yù)測的性能。第二,傳統(tǒng)的基于Tucker分解和CP分解的模型很難在預(yù)測性能和預(yù)測時間效率上同時滿足實(shí)時競價廣告響應(yīng)預(yù)測的需要,為了改進(jìn)傳統(tǒng)張量分解模型的預(yù)測時間效率,進(jìn)行了基于隱語義立方分解模型的廣告點(diǎn)擊率預(yù)測方法的研究。首先深入剖析了隱語義矩陣分解模型與矩陣奇異值分解的內(nèi)在關(guān)系,然后基于高階奇異值分解是矩陣奇異值分解向高階張量的擴(kuò)展的思想,借鑒隱語義矩陣分解模型的建模原理,使用截斷的高階奇異值分解,采用直接在觀測數(shù)據(jù)上建模的方法,提出了隱語義立方分解模型。隱語義立方分解模型具有較少的模型參數(shù),實(shí)現(xiàn)簡單,訓(xùn)練速度快。本文通過實(shí)驗(yàn)分析了隱語義立方分解模型的訓(xùn)練和預(yù)測時間效率,并和常用的張量分解模型進(jìn)行了預(yù)測性能對比,實(shí)驗(yàn)結(jié)果表明隱語義立方分解模型既保證了較低的預(yù)測時間復(fù)雜度又保證了較好的預(yù)測性能。第三,針對用戶、上下文和廣告之間復(fù)雜的交互關(guān)系,為了同時獲得三者之間全交互作用下的最佳特征表示,進(jìn)行了基于全交互張量分解模型的點(diǎn)擊率預(yù)測方法研究。首先分析了兩對交互張量分解模型的基本思想,深入剖析了它與傳統(tǒng)張量分解模型之間的關(guān)系,并分析了它解決廣告響應(yīng)預(yù)測問題的局限性。然后,提出了能夠克服這種局限性的全交互張量分解模型,這種模型具有全交互關(guān)系表示能力,充分挖掘了用戶、上下文和廣告三者之間復(fù)雜的兩兩全交互關(guān)系。最后,通過實(shí)驗(yàn)對比了基于異構(gòu)信息融合的傳統(tǒng)張量分解模型、隱語義立方分解模型和全交互張量分解模型的預(yù)測性能,實(shí)驗(yàn)結(jié)果表明本文提出的新模型在保證較低的時間代價情況下取得了最優(yōu)越的預(yù)測性能。第四,為了解決訓(xùn)練樣本類別不平衡問題,同時利用點(diǎn)擊和轉(zhuǎn)化反饋信息進(jìn)行了基于三元組排序優(yōu)化學(xué)習(xí)的廣告響應(yīng)預(yù)測方法的研究。首先將廣告響應(yīng)預(yù)測問題形式化為排序問題,將廣告展示按照響應(yīng)類別的正確排序作為優(yōu)化目標(biāo),提出了基于轉(zhuǎn)化、僅點(diǎn)擊和未點(diǎn)擊的三元組排序優(yōu)化學(xué)習(xí)策略。然后分析了三元組排序優(yōu)化和成對比較排序優(yōu)化的關(guān)系。接著,給出了基于隨機(jī)梯度下降的三元組排序優(yōu)化學(xué)習(xí)算法以及使用該算法實(shí)現(xiàn)邏輯回歸、矩陣分解和全交互張量分解模型訓(xùn)練的方法。最后通過實(shí)驗(yàn)對比和分析了三元組排序優(yōu)化學(xué)習(xí)、成對比較優(yōu)化學(xué)習(xí)和逐點(diǎn)回歸優(yōu)化學(xué)習(xí)策略的預(yù)測性能。實(shí)驗(yàn)結(jié)果表明本文提出的基于三元組排序優(yōu)化學(xué)習(xí)策略不僅同時提升了點(diǎn)擊和轉(zhuǎn)化預(yù)測的性能,而且能夠有效地解決轉(zhuǎn)化、僅點(diǎn)擊和未點(diǎn)擊廣告展示的三分類排序問題�？傊�,本文面向需求方平臺,基于張量分解模型,針對實(shí)時競價廣告中的點(diǎn)擊率和轉(zhuǎn)化率預(yù)測面臨的嚴(yán)峻數(shù)據(jù)稀疏問題、較高的預(yù)測時間效率要求、復(fù)雜的三維交互關(guān)系以及嚴(yán)重的類別不平衡問題,提出了相應(yīng)的解決方法和技術(shù)方案,有效地提升了廣告響應(yīng)預(yù)測性能。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：F713.8;TP391.1

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 程光 ,龔儉 ,丁偉;網(wǎng)絡(luò)流量宏觀行為分析的一種時序分解模型[J];電子學(xué)報;2002年11期

2 譚忠富;變量耦合下大規(guī)模規(guī)劃的三級分解模型及其協(xié)調(diào)算法[J];系統(tǒng)工程與電子技術(shù);1996年10期

3 凡少強(qiáng);王國胤;李美爭;;改進(jìn)的知識特征驅(qū)動的任務(wù)分解模型[J];計算機(jī)科學(xué);2014年03期

4 蕭蘊(yùn)詩,汪鐳;復(fù)雜系統(tǒng)開發(fā)中實(shí)施策略的時空分解模型及進(jìn)度規(guī)劃實(shí)例研究[J];信息與控制;2001年01期

5 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 唐愛華;韓志剛;莊淑貞;;淠河灌區(qū)水資源優(yōu)化利用MODP—聚合分解模型[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

2 馬揚(yáng);李洪福;白皓;趙立華;馬艷;蒼大強(qiáng);;能耗指標(biāo)分解模型在鋼鐵廠節(jié)能分析中的應(yīng)用[A];2010全國能源與熱工學(xué)術(shù)年會論文集[C];2010年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 華本城市地產(chǎn)研究院副院長 鄭麗平;房企異地擴(kuò)張的“點(diǎn)線面”戰(zhàn)略分解模型[N];中國建設(shè)報;2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 單麗莉;基于張量分解的實(shí)時競價廣告響應(yīng)預(yù)測方法[D];哈爾濱工業(yè)大學(xué);2016年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 于靜雅;電信運(yùn)營企業(yè)節(jié)能定量指標(biāo)分解模型研究[D];北京郵電大學(xué);2013年

2 譚亞昆;基于DEA的CO_2排放因素分解模型[D];華北電力大學(xué);2012年

，

本文編號：1312316