隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,互聯(lián)網(wǎng)廣告作為其發(fā)展的產(chǎn)物應(yīng)運而生。提高廣告點擊率的預(yù)測精度是計算廣告領(lǐng)域一項非常重要的任務(wù)。點擊率預(yù)測的精度越高,提供給用戶的信息將越準確,商家的宣傳效果將會越好,進而會提高媒體平臺、DSP公司和商家的利潤。目前,點擊率預(yù)測模型已經(jīng)引起廣大研究人員的關(guān)注。但是,隨著進一步研究可以發(fā)現(xiàn),點擊率預(yù)測模型的構(gòu)建仍然存在以下幾個方面的問題:(1)數(shù)據(jù)稀疏問題:每天數(shù)以百計的廣告呈現(xiàn)在人們的眼前,但在這眾多的廣告中只有一小部分的廣告存在有用的點擊數(shù)據(jù)。因此,蘊含用戶偏好的歷史點擊記錄相當稀疏。數(shù)據(jù)稀疏導(dǎo)致不能準確計算用戶點擊某個廣告的概率,進而不能根據(jù)廣告的內(nèi)容實現(xiàn)對用戶的精準投放。(2)可擴展性問題:在構(gòu)建廣告點擊率預(yù)測模型的過程中,牽扯到的廣告和用戶不計其數(shù)。隨著互聯(lián)網(wǎng)的快速發(fā)展,廣告和用戶的數(shù)量呈指數(shù)級增長,如何更新點擊率預(yù)測模型、準確的預(yù)測廣告的點擊率成為預(yù)測過程中面臨的重要挑戰(zhàn)。(3)冷啟動問題:點擊率預(yù)測模型是基于已有的廣告數(shù)據(jù)進行訓(xùn)練的,但對于那些沒有歷史點擊數(shù)據(jù)的新廣告而言,構(gòu)建的預(yù)測模型沒辦法很好的預(yù)測。與此同時,用戶群體不相同,缺失新用戶的屬性特征...

【文章頁數(shù)】：113 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 基于因式分解機的點擊率預(yù)測方法
        1.2.2 基于深度信念網(wǎng)絡(luò)的點擊率預(yù)測方法
        1.2.3 基于堆棧去噪自動編碼器的點擊率預(yù)測
        1.2.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的點擊率預(yù)測
        1.2.5 基于卷積神經(jīng)網(wǎng)絡(luò)的點擊率預(yù)測
    1.3 本文的主要內(nèi)容及創(chuàng)新點
    1.4 本文的組織結(jié)構(gòu)
第二章 基于堆棧自編碼神經(jīng)網(wǎng)絡(luò)的點擊率預(yù)測方法
    2.1 引言
    2.2 預(yù)備知識
        2.2.1 數(shù)據(jù)降維處理
        2.2.2 域分解機模型
    2.3 基于堆棧自編碼神經(jīng)網(wǎng)絡(luò)的點擊率預(yù)測方法
        2.3.1 AUFM模型
        2.3.2 參數(shù)估計
    2.4 實驗分析
        2.4.1 數(shù)據(jù)集
        2.4.2 評估指標
        2.4.3 比較方法
        2.4.4 實驗結(jié)果分析
            2.4.4.1 預(yù)測方法的比較和分析
            2.4.4.2 參數(shù)分析
    2.5 本章小結(jié)
第三章 基于注意力機制的點擊率預(yù)測模型
    3.1 引言
    3.2 基于注意力機制的點擊率預(yù)測方法
        3.2.1 注意力因式分解機
        3.2.2 高階特征交互
        3.2.3 ASAE模型
    3.3 實驗
        3.3.1 數(shù)據(jù)集
        3.3.2 實驗設(shè)置
        3.3.3 方法比較
        3.3.4 實驗結(jié)果分析
            3.3.4.1 預(yù)測模型的比較和分析
            3.3.4.2 模型參數(shù)的敏感度分析
    3.4 本章小結(jié)
第四章 基于用戶興趣的點擊率預(yù)測模型
    4.1 引言
    4.2 背景知識
        4.2.1 門控循環(huán)單元
        4.2.2 基礎(chǔ)模型
    4.3 方法
    4.4 實驗
        4.4.1 實驗設(shè)置
        4.4.2 模型參數(shù)的敏感度分析
        4.4.3 運行時間比較
        4.4.4 不同方法比較
    4.5 本章小結(jié)
第五章 基于用戶興趣演化的分層注意力預(yù)測模型
    5.1 引言
    5.2 模型介紹
        5.2.1 特征表示
        5.2.2 興趣提取層
        5.2.3 興趣演化層
        5.2.4 ADI模型
    5.3 實驗
        5.3.1 數(shù)據(jù)集
        5.3.2 實驗設(shè)置
        5.3.3 不同模型的性能比較
        5.3.4 模型中的參數(shù)分析
        5.3.5 輔助損失的影響
        5.3.6 與ADI變體模型的比較
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 主要研究總結(jié)
    6.2 未來工作展望
參考文獻
攻讀博士學(xué)位期間的主要成果
致謝



本文編號：3814794