在线广告需求方平台利润优化算法研究

发布时间：2020-05-16 03:05

【摘要】：近年来,随着互联网技术的快速发展,为广大互联网用户带来了极大的便利,以及互联网用户群体数量的快速增加和用户群体种类的多样化,人们的生活越来越离不开互联网。许多传统的线下活动都已逐渐转换为线上活动,因此广告活动也同样快速转化为线上活动,以发挥在线广告得天独厚的优势。实时竞价作为当下发展最快的效果类在线展示广告的主要投放方式,在工业界与学术界都引起巨大的研究兴趣。如何更精确地决策每一次广告投放行为,需要利用数据分析、回归预测以及各种优化策略算法,从而最大化收益,这就为广大研究者提供了巨大的研究空间和挑战。本论文站在需求方平台的角度,旨在为提高需求方平台的利润收益而优化实时竞价中的关键算法:点击率预测算法和出价策略算法。点击率预测是推荐系统和在线广告的关键环节,本论文首先对几种典型的点击率预测模型进行探索研究,特别探索了基于融合结构的深度学习方法,并在此基础上提出一种基于融合结构的点击率预测模型,该模型能够灵活融合不同结构的深度神经网络来分别学习原始高维稀疏特征的高阶表示,从而使点击率预测模型能够利用更丰富的高阶特征信息。本论文利用真实数据集来评价模型的预测性能,实验结果显示,基于融合结构的深度学习预测模型,能够比传统的点击率预测模型以及最新的基于深度学习的预测模型获得更好的性能。在实时竞价中,需求方平台对每次接收到的广告展示机会的请求都会作出一个竞价决策,即在满足广告商需求的情况下,对广告请求给出一个竞标价,该竞标价决定了能不能获得此次广告展示机会,从而展示广告商的广告,因此一个好的出价算法能为需求方平台带来极大的利润提升。本论文另辟蹊径,利用强化学习技术对赢标价进行建模,从而给出更为合理的竞标价。大多数传统的出价算法都需要提前假设赢标价的分布,无法适应动态的数据,而基于强化学习的出价算法则可以自动从数据中进行学习,这更能适应动态的数据,泛化能力更强。实验结果显示,相比于传统出价算法,该算法能获得更好的性能。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F713.8;TP301.6

【参考文献】