【摘要】：廣告點(diǎn)擊率預(yù)估模型用于預(yù)估用戶對(duì)某個(gè)廣告發(fā)生點(diǎn)擊行為的概率。點(diǎn)擊率預(yù)估模型具有重要的商業(yè)價(jià)值,其直接影響著在線廣告業(yè)務(wù)的收入,提高點(diǎn)擊率預(yù)估模型的準(zhǔn)確率意味著提高企業(yè)的收入。為此,本文進(jìn)行了如下的研究工作:(1)針對(duì)常用于點(diǎn)擊率預(yù)估場(chǎng)景的特征提取算法沒(méi)有充分地利用用戶之間協(xié)同行為信息的問(wèn)題,本文提出一種基于共現(xiàn)關(guān)系網(wǎng)絡(luò)的特征提取算法。該算法能夠利用用戶的歷史行為數(shù)據(jù)構(gòu)造出一個(gè)無(wú)向帶權(quán)網(wǎng)絡(luò),網(wǎng)絡(luò)中的權(quán)值反映了用戶之間的協(xié)同行為信息。隨后利用網(wǎng)絡(luò)表示學(xué)習(xí)的技術(shù)可以提取出網(wǎng)絡(luò)中節(jié)點(diǎn)的特征表達(dá)。該算法對(duì)權(quán)值的定義方式存在優(yōu)化的空間,于是本文進(jìn)一步提出基于概率權(quán)值的共現(xiàn)關(guān)系網(wǎng)絡(luò)特征提取算法�；�于概率權(quán)值的共現(xiàn)關(guān)系網(wǎng)絡(luò)特征提取算法將無(wú)向帶權(quán)網(wǎng)絡(luò)轉(zhuǎn)變?yōu)橛邢驇��?quán)網(wǎng)絡(luò),使得網(wǎng)絡(luò)包含的信息更加的豐富、準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明,與目前常用于點(diǎn)擊率預(yù)估場(chǎng)景的特征提取算法相比,基于概率權(quán)值的共現(xiàn)關(guān)系網(wǎng)絡(luò)所提取到的特征能夠使模型帶來(lái)更高的準(zhǔn)確率。(2)稠密特征通常是直接接入到點(diǎn)擊率預(yù)估模型中的某一部分,這種做法沒(méi)有充分利用共現(xiàn)關(guān)系網(wǎng)絡(luò)所提取到的特征。本文提出一個(gè)模塊——基于卷積神經(jīng)網(wǎng)絡(luò)的記憶網(wǎng)絡(luò),該模塊在結(jié)合共現(xiàn)關(guān)系網(wǎng)絡(luò)所提取到的廣告特征后,能夠從用戶最近的點(diǎn)擊行為中學(xué)習(xí)出用戶所感興趣的廣告的特征向量。實(shí)驗(yàn)結(jié)果表明,常用的深度點(diǎn)擊率預(yù)估模型在使用該模塊后能夠有效地提高預(yù)估的準(zhǔn)確率。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F713.8;TP183
【圖文】：

課題研究背景與意義在移動(dòng)互聯(lián)網(wǎng)時(shí)代，在線廣告在人們生活中隨處可見(jiàn)。對(duì)比報(bào)紙、雜志、廣播、些傳統(tǒng)媒體上的廣告，在線廣告能夠充分結(jié)合人工智能技術(shù)、云計(jì)算技術(shù)以及海據(jù)對(duì)廣告進(jìn)行精準(zhǔn)的投放。同時(shí)，廣告主能夠迅速得到廣告投放的反饋結(jié)果，及對(duì)應(yīng)的戰(zhàn)略調(diào)整。另一方面，無(wú)論是國(guó)內(nèi)還是國(guó)外的互聯(lián)網(wǎng)巨頭企業(yè)里面，在線廣告的收入總占據(jù)的地位。在國(guó)內(nèi)，百度、騰訊、阿里巴巴、字節(jié)跳動(dòng)四家企業(yè)的在線廣告收入就其總收入的 60%以上[1]。在國(guó)外，Google 公司的在線廣告所帶來(lái)的收入占其總收%[2]。互聯(lián)網(wǎng)廣告行業(yè)有著非常好的發(fā)展前景，自 2013 年以來(lái)，互聯(lián)網(wǎng)廣告的市場(chǎng)規(guī)處于高速的增長(zhǎng)趨勢(shì)。具體增長(zhǎng)情況如圖 1-1 所示。

華南理工大學(xué)工程碩士學(xué)位論文之后分別驗(yàn)證了 CRN-based(CRN、p-CRN、pSI-CRN)特征提取算法以及 CNN-MN 模塊的有效性。最后對(duì) p-CRN特征提取算法以及 CNN-MN模塊中的超參數(shù)進(jìn)行了實(shí)驗(yàn)研究。文章的最后部分進(jìn)行了總結(jié)與期望。本文的組織結(jié)構(gòu)框圖如圖 1-2 所示。

圖 2-1 FM 模型用淺層神經(jīng)網(wǎng)絡(luò)表示習(xí)的熱潮下，許多工作都是將 FM 模型與神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合以看成是一種淺層的神經(jīng)網(wǎng)絡(luò)。圖 2-1 展示了 FM 模型用神過(guò)濾算法算法在推薦場(chǎng)景中已經(jīng)被成熟地運(yùn)用。常見(jiàn)的協(xié)同過(guò)濾算法過(guò)濾算法(User-based Collaborative Filtering,UCF)、基于物品d Collaborative Filtering,ICF)、基于模型的協(xié)同過(guò)濾算 法 Filtering,MCF)。算法通�；�于評(píng)分矩陣 R 計(jì)算[25]，評(píng)分矩陣如圖 2-2 所示表示第 個(gè)用戶對(duì)第 j 個(gè)物品的喜好程度。

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 常艷;湯小春;;網(wǎng)絡(luò)廣告中反CPC點(diǎn)擊作弊研究[J];科學(xué)技術(shù)與工程;2010年04期

本文編號(hào)：2760676