基于改进时间分片算法的在线广告点击率预估研究

发布时间：2020-04-26 11:41

【摘要】：当今时代,互联网的飞速发展大大改变了人们的生活,而在线广告业务作为互联网利润的最大来源一直备受瞩目。无论是学界还是工业界都为广告技术的发展投入了大量的人力物力。在以机器学习为主的新技术的冲击下,在线广告推送以及用户数据挖掘都进入了新的人工智能时代。在线广告是一项新兴的研究课题,它涉及到机器学习、自然语言处理、心理学甚至包括微观经济学等诸多领域的知识。传统的广告点击率预估是基于人工规则和基本的时间分片方法对广告数据直接建模,这带来了一系列问题,例如模型运行慢、广告特征稀疏、冷启动、广告点击率预估成功率低等等。针对以上问题,本文通过使用机器学习和数据挖掘的相关方法,基于改进的时间分片算法提出一种新的时间片划分算法,以此对海量数据提取特征。之后对提取的新特征提出一种因子分解的方式,将基于广告点击的协同过滤问题转化为用户-商品对排序问题,大大降低了高维特征的稀疏性。此外,本文也基于时间分片提出了压缩时间维度的相关优化特征提取方法,最后实验应用梯度提升树,极限梯度提升树,多层感知机三种模型进行验证,实验结果表明算法提高了广告点击率预估的准确性。实验的数据来源是京东JData算法大赛真实用户数据。实验结果表明本文提出的改进时间分片算法在点击率预问题上较一般传统方法有较大进步,在京东官方评价指标,计算广告普遍使用的AUC值等评价指标上都有较优异的表现。
【图文】：

广告市场,增长率,广告

图 1.1 中国网络广告市场规模和增长率在线广告领域中的产品和业务逻辑都相当复杂。为了在宏观上对在线广告更深的理解，应当注意两个重点：一是内涵方面，即在线广告的定义与目的；是外延方面，即在线广告的发展历史和发展过程中产生的关键产品形态[3]。从根本上说，广告的目的是希望借助高效的传播渠道来快速接触大量人群进而宣传品牌形象，最终提升商品购买与利润率。我们把这样的广告称为品牌告（Brand Awareness），也叫做效果广告。高投送量和广告效果优化这两点是统的广告产品所缺乏的。这是因为传统媒体缺乏有效的技术手段能在短期内追广告对目标人群精准投放的效果，而互联网的出现让广告行业得到了蓬勃发展这里有两方面原因：一是借助互联网我们可以低成本投放个性化广告；二是可通过在线服务更清楚地了解用户意图，如搜索、电子商务等等，，这样更容易优广告效果。在线广告不同于传统的线下广告，在线广告的创意形式更侧重互联和用户商品交互等方面。目前在线广告的主流投放方式有搜索广告、展示广告文字广告和社交媒体广告等形式，其中展示广告（DisplayAdvertising）和搜索

特性图,特性,问题,数据

数据问题：如果相关技术手段无法通过数据采样来降低处理的复杂程度，就必须用到一些为处理海量数据而设计的计算和存储技术（Hadoop 等）。这样从工程上我们就可以将它归为大数据问题，如下图 1.2 阐述了这一视角。图 1.2 大数据问题的特性示意在图 1-2 中，我们考察的是某一个有确定目标函数的数据处理问题。图中的三条曲线是三类有代表性的数据问题。（1）对于传统数据的处理，而非大数据问题，如一般的统计表格、业务报告等等，只要简单的数据采样就能有效解决问题，即目标函数没有太大的下降，我们用传统的数据方案就可以解决。这一类的问题可由曲线 C 表示。（2）而对一些数据问题，只处理小部分数据无法比拟分析全部数据所能达到的效果，即随着样本量的减少，问题的目标函数呈现出迅速下降的趋势，这时传统的存储和计算架构都无法处理大规模的海量数据，必须寻找新的解决办法，这也是推动大数据技术发展的原动力。个性化推荐（personalized recommendation）和在线广告（computational advertising）对每一个人的个体行为进行精准推送，并且它们无法通过只分析一部分人来处理
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;F713.8;F49

【相似文献】