發(fā)布時間：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,計算廣告學也隨之應運而生。作為計算廣告流量變現(xiàn)的最重要方式之一,廣告點擊率預估不論從搜索廣告到程序化交易,還是移動互聯(lián)網(wǎng)下的原生廣告,都扮演著關鍵的角色。廣告點擊率預估主要是基于海量用戶歷史數(shù)據(jù),在復雜的定向規(guī)則下,借助大數(shù)據(jù)技術和機器學習模型,對候選廣告進行排序預測,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習能力有限、充分挖掘廣告特征之間非線性關系的問題,一直是相關領域研究的重點。在充分調研各種廣告點擊率預估問題常用的機器學習模型的前提下,提出采用一種基于門控循環(huán)單元神經(jīng)網(wǎng)絡(the Gated Recurrent Unit Neural Networks,GRU)模型應用于廣告點擊率預估的問題上。進一步,通過優(yōu)化改進門控循環(huán)單元神經(jīng)網(wǎng)絡的步長控制方法,使得模型在更少的迭代輪次下,更好更快地到達最優(yōu)點,從而提高模型的預估能力。本文的主要工作和取得的成果具體如下:(1)針對淺層和深層模型作特征工程,包括實驗數(shù)據(jù)的分析、預處理、特征選擇和特征設計等。采用一種改進的循環(huán)神經(jīng)網(wǎng)絡—門控循環(huán)單元神經(jīng)網(wǎng)絡,將一般循環(huán)神經(jīng)網(wǎng)絡的隱藏層替換成門單元結構,利用門單元特殊的門控機制來控制梯度傳播,從而提升廣告數(shù)據(jù)特征的學習能力。(2)在門控循環(huán)單元神經(jīng)網(wǎng)絡的基礎上,設計了一種優(yōu)化步長控制方法。先設置一個較大的步長快速尋找全局近似最優(yōu)點,再利用較小的步長通過指數(shù)迭代衰減找到局部最優(yōu),在迭代速度和準確性上提升模型的預估效果。最終得到的AUC值比基于循環(huán)神經(jīng)網(wǎng)絡模型高出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、隨機森林、循環(huán)神經(jīng)網(wǎng)絡、門控循環(huán)單元神經(jīng)網(wǎng)絡及其步長優(yōu)化版6種模型的效果,實驗結果表明,基于門控循環(huán)單元神經(jīng)網(wǎng)絡及其步長優(yōu)化的模型在廣告點擊率預估上的效果最好。
【學位單位】：浙江理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP18;TP311.13
【部分圖文】：

也稱在線廣告、網(wǎng)絡廣告，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、以產品為導向的技術性投放模式[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)廣告提供了一個契機和平臺，通過這個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、傳媒以及社交媒體上的服務日漸成熟，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)的市場份額和價值也越來越大。互聯(lián)網(wǎng)廣告，即網(wǎng)絡廣告作為一個方興未艾且迅猛發(fā)展的新興產業(yè)，中國在全球廣告的貢獻與地位也正在迅速提升。在 2017 年 Q2 季度[2]，中國網(wǎng)絡廣告的第二季度市場達到 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 廣告點擊率預估整體方案設計1.4 本文內容安排本文內容共分成六章，各章節(jié)及其主要內容安排如下：第一章：緒論。首先介紹了廣告點擊率預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外相關研究現(xiàn)狀；然后是廣告點擊率預估問題的難點和本文的研究思路，最后是本論文的組織結構和內容安排。第二章：廣告點擊率預估的相關知識。主要介紹了計算廣告學相關的背景，以及本文課題涉及廣告在機器學習領域的一些技術，包括特征的預處理、特征選擇、特征降維技術和機器學習模型。第三章：基于循環(huán)神經(jīng)網(wǎng)絡的廣告點擊率預估模型。本章主要介紹了循環(huán)神經(jīng)網(wǎng)絡、門控循環(huán)單元神經(jīng)網(wǎng)絡網(wǎng)絡結構和算法公式，以及在練深度學習模型時發(fā)生過擬合采取的

大學碩士學位論文 基于循環(huán)神經(jīng)網(wǎng)絡的廣告點擊率預估成正比。廣告主出的展示單價 ( )CPMbid a 是廣告實時交易平臺期望收益。在廣告，點擊率 ( , , )i i ir a u c 、點擊價值 ( , )i iv a u 以及成本 ( , , )i i iq a u c 涉及到三個平臺的優(yōu)因此是計算廣告的挑戰(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。在一個完整的廣告系統(tǒng)個模塊之間相互協(xié)作，保證數(shù)據(jù)的記錄、交易、流轉、建模和使用，最后實現(xiàn)輯。一般的廣告架構如圖 2.1 所示。
【相似文獻】

相關期刊論文 前10條

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

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

3 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;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)絡及其應用研究[J];計算機工程與應用;2004年21期

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

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

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關博士學位論文 前10條

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

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

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

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

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

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

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

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

相關碩士學位論文 前10條

1 郭子萱;基于循環(huán)神經(jīng)網(wǎng)絡的廣告點擊率預估研究[D];浙江理工大學;2018年

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

3 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;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;2015年

5 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

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

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

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

9 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

10 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

本文編號：2883098