移动APP广告转化率问题的研究

发布时间：2020-03-28 08:29

【摘要】：随着平板电脑和智能手机的广泛使用,在APP(application)中内置广告逐渐成为了移动数字营销的重要形式。首先广告主将希望展示的广告和广告相关的历史信息提供给移动APP广告平台,然后广告平台通过分析广告数据和投放策略,最终找到适合的受众群体进行广告展示。对于广告平台来说,如何开发有效并且高效的推荐方法是非常具有挑战性的,一般在广告推荐算法中需要考虑两个重要的指标,一个是广告的点击率(click through rate,CTR),另一个是广告的转化率(conversion rate,CVR)。现有的许多广告平台在推荐广告时,其目标是最大化点击次数,而移动APP广告期望用户进行的动作不仅仅是点击而是下载APP,下载APP的动作实际上是对广告进行了转化,这时CVR成为广告平台制定投放策略时需要考虑的重要指标。广告平台通过估算所推荐广告被用户转化的概率,然后按照转化率排列需要展示的广告项目,由此来提高广告的展示价值。如果预估的CVR过高,那么将会造成广告主在预算上的浪费;相反的如果预估的CVR过低,那么将使得广告主错过具有高转化价值的展示机会。实际上,由于被转化的广告数据很少,所以相比于对CTR进行预估,CVR的预估更具挑战性。并且现实生活中的广告信息大多是稀疏且庞大的,对其转化率进行预估有一定的难度,而现有的许多模型能够解决广告信息稀疏高维数据的问题,但缺少对更深层特征之间相互作用的研究。本文结合了广告转化数据中的用户信息,广告信息和上下文环境信息提出了一种基于区域因子分解机(field-aware factorization machines,FFM)的混合模型,这是一种新的混合模型:通过高效的梯度提升决策树模型(light gradient boosting decision tree,Light GBM)来有效的学习高维组合特征,同时利用FFM模型能够处理高度稀疏和离散型特征的优势,增加了现有模型预估CVR的精确度。论文的主要创新性工作包括:(1)本文构建了一种新的混合模型,通过将Light GBM模型的输出作为FFM模型的部分输入,实现对广告转化率的预估。(2)为了提取训练模型时所需的输入特征,一方面从原始数据中提取了低维特征,另一方面通过Light GBM模型提取了高维组合特征。为了将高维组合特征转化为FFM的输入形式,本文提出了一种新的特征转换形式,实现了对不同模型的融合。(3)论文还从转化数据和模型参数两个角度进行实验分析,优化了模型的预估性能。为了验证混合模型的有效性和泛化性,将其在不同数据集上与其他模型进行了比较,实验结果表明本文提出的混合模型预估精确度最高。
【图文】：

广告市场

图 2.1 广告市场的组成互联网广告是采用数字技术加工制作的广告形式，从而诱导用户接受其推品或服务。其特点包括：互动性、实时性、传播范围广、可重复性、精准对性强、广告效果可衡量、投放形式多样化等。在互联网广告交易中，希望以尽量小的广告成本获取多的广告收益，关注的是广告预算、利润、ROurnoninvestment），，其中 ROI 是广告收入与成本的比率。提供方从广告出示效果两方面进行优化，即如何提供更多有效的展示诱导用户进行点击或购流量变现，从中获取利润。广告投放平台作为互联网广告的传播媒介通过定位受众群体来优化广告主的展示要求，展示广告越接近受众的偏好习惯越产生更深度的转化，从而提高广告利润和 ROI。出价方式的多样化和精准广告价值使得广告主可以更好的控制广告成本。随着提前预估收益方式的出价方式也从 CPM（cost permille），CPT（cost pertime）发展到 CPC 和 CP
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F713.8;TP311.56

【相似文献】