發(fā)布時(shí)間：2020-11-14 04:48

　　 隨著互聯(lián)網(wǎng)廣告十余年持續(xù)爆炸式的發(fā)展,計(jì)算廣告學(xué)也隨之應(yīng)運(yùn)而生。作為計(jì)算廣告流量變現(xiàn)的最重要方式之一,廣告點(diǎn)擊率預(yù)估不論從搜索廣告到程序化交易,還是移動(dòng)互聯(lián)網(wǎng)下的原生廣告,都扮演著關(guān)鍵的角色。廣告點(diǎn)擊率預(yù)估主要是基于海量用戶歷史數(shù)據(jù),在復(fù)雜的定向規(guī)則下,借助大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)模型,對(duì)候選廣告進(jìn)行排序預(yù)測,使得在特定的場景下,將合適的廣告展示給合適的受眾用戶。如何解決線性模型學(xué)習(xí)能力有限、充分挖掘廣告特征之間非線性關(guān)系的問題,一直是相關(guān)領(lǐng)域研究的重點(diǎn)。在充分調(diào)研各種廣告點(diǎn)擊率預(yù)估問題常用的機(jī)器學(xué)習(xí)模型的前提下,提出采用一種基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(the Gated Recurrent Unit Neural Networks,GRU)模型應(yīng)用于廣告點(diǎn)擊率預(yù)估的問題上。進(jìn)一步,通過優(yōu)化改進(jìn)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的步長控制方法,使得模型在更少的迭代輪次下,更好更快地到達(dá)最優(yōu)點(diǎn),從而提高模型的預(yù)估能力。本文的主要工作和取得的成果具體如下:(1)針對(duì)淺層和深層模型作特征工程,包括實(shí)驗(yàn)數(shù)據(jù)的分析、預(yù)處理、特征選擇和特征設(shè)計(jì)等。采用一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)—門控循環(huán)單元神經(jīng)網(wǎng)絡(luò),將一般循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層替換成門單元結(jié)構(gòu),利用門單元特殊的門控機(jī)制來控制梯度傳播,從而提升廣告數(shù)據(jù)特征的學(xué)習(xí)能力。(2)在門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,設(shè)計(jì)了一種優(yōu)化步長控制方法。先設(shè)置一個(gè)較大的步長快速尋找全局近似最優(yōu)點(diǎn),再利用較小的步長通過指數(shù)迭代衰減找到局部最優(yōu),在迭代速度和準(zhǔn)確性上提升模型的預(yù)估效果。最終得到的AUC值比基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型高出0.053932,比基于未做步長優(yōu)化的模型高出0.003855。(3)本文比較了邏輯斯特回歸、樸素貝葉斯、隨機(jī)森林、循環(huán)神經(jīng)網(wǎng)絡(luò)、門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)及其步長優(yōu)化版6種模型的效果,實(shí)驗(yàn)結(jié)果表明,基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)及其步長優(yōu)化的模型在廣告點(diǎn)擊率預(yù)估上的效果最好。
【學(xué)位單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP18;TP311.13
【部分圖文】：

也稱在線廣告、網(wǎng)絡(luò)廣告，指的是通過各種媒體、app 等途徑投放的廣與傳統(tǒng)意義上的廣告不同的是，互聯(lián)網(wǎng)廣告在最近十余年的時(shí)間里始終保持著爆炸式展，逐漸形成了以受眾人群為投放目標(biāo)、以產(chǎn)品為導(dǎo)向的技術(shù)性投放模式[1]。而在近互聯(lián)網(wǎng)的快速持續(xù)發(fā)展，更為互聯(lián)網(wǎng)廣告提供了一個(gè)契機(jī)和平臺(tái)，通過這個(gè)影響力巨遍及全球的載體，互聯(lián)網(wǎng)廣告也隨之迅猛發(fā)展，身處于各行各業(yè)，尤其是在電子商務(wù)、傳媒以及社交媒體上的服務(wù)日漸成熟，為企業(yè)創(chuàng)造了巨大的利潤，支撐著 Google、ebook、百度、阿里等千億級(jí)的互聯(lián)網(wǎng)公司。在大數(shù)據(jù)浪潮席卷全球以及持續(xù)不斷的技新下，互聯(lián)網(wǎng)廣告占據(jù)的市場份額和價(jià)值也越來越大�；ヂ�(lián)網(wǎng)廣告，即網(wǎng)絡(luò)廣告作為一個(gè)方興未艾且迅猛發(fā)展的新興產(chǎn)業(yè)，中國在全球廣告的貢獻(xiàn)與地位也正在迅速提升。在 2017 年 Q2 季度[2]，中國網(wǎng)絡(luò)廣告的第二季度市場達(dá)到 861.6 億元，環(huán)比增長率為 23.3%，與去年同期相比增長 28.5%，較大體量下穩(wěn)定 25%以上的增長水平。如圖 1.1 所示。

圖 1.2 廣告點(diǎn)擊率預(yù)估整體方案設(shè)計(jì)1.4 本文內(nèi)容安排本文內(nèi)容共分成六章，各章節(jié)及其主要內(nèi)容安排如下：第一章：緒論。首先介紹了廣告點(diǎn)擊率預(yù)估課題的研究背景與意義；再從基于特征、基于模型等方面分析探討了國內(nèi)外相關(guān)研究現(xiàn)狀；然后是廣告點(diǎn)擊率預(yù)估問題的難點(diǎn)和本文的研究思路，最后是本論文的組織結(jié)構(gòu)和內(nèi)容安排。第二章：廣告點(diǎn)擊率預(yù)估的相關(guān)知識(shí)。主要介紹了計(jì)算廣告學(xué)相關(guān)的背景，以及本文課題涉及廣告在機(jī)器學(xué)習(xí)領(lǐng)域的一些技術(shù)，包括特征的預(yù)處理、特征選擇、特征降維技術(shù)和機(jī)器學(xué)習(xí)模型。第三章：基于循環(huán)神經(jīng)網(wǎng)絡(luò)的廣告點(diǎn)擊率預(yù)估模型。本章主要介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)、門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)和算法公式，以及在練深度學(xué)習(xí)模型時(shí)發(fā)生過擬合采取的

大學(xué)碩士學(xué)位論文 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的廣告點(diǎn)擊率預(yù)估成正比。廣告主出的展示單價(jià) ( )CPMbid a 是廣告實(shí)時(shí)交易平臺(tái)期望收益。在廣告，點(diǎn)擊率 ( , , )i i ir a u c 、點(diǎn)擊價(jià)值 ( , )i iv a u 以及成本 ( , , )i i iq a u c 涉及到三個(gè)平臺(tái)的優(yōu)因此是計(jì)算廣告的挑戰(zhàn)之一。廣告優(yōu)化問題一樣具有挑戰(zhàn)性還有廣告的系統(tǒng)架構(gòu)。在一個(gè)完整的廣告系統(tǒng)個(gè)模塊之間相互協(xié)作，保證數(shù)據(jù)的記錄、交易、流轉(zhuǎn)、建模和使用，最后實(shí)現(xiàn)輯。一般的廣告架構(gòu)如圖 2.1 所示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報(bào);2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 郭子萱;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的廣告點(diǎn)擊率預(yù)估研究[D];浙江理工大學(xué);2018年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

3 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

5 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

8 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

10 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

本文編號(hào)：2883098