基于特征优化的广告点击率预测模型研究

发布时间：2021-04-12 00:39

　　针对互联网广告数据具有高维稀疏性的特点,在现有的点击率（Click-Through Rate, CTR）预测问题的相关理论和技术基础上,给出了一种基于梯度提升决策树（Gradient Boosting Decision Tree, GBDT）的卷积神经网络（Convolutional Neural Networks, CNN）在线广告特征提取模型（CNN Based on GBDT,CNN+）. CNN+模型不仅能从原始数据中提取出深度高阶特征,还能解决卷积神经网络在稀疏、高维特征中提取特征困难的问题.在真实数据集上的实验结果表明,与主成分分析（Principal Component Analysis,PCA）和梯度提升决策树这两种特征提取方法相比, CNN+模型提取的特征更加有效. 

【文章来源】：华东师范大学学报(自然科学版). 2020,(04)北大核心CSCD

【文章页数】：9 页

【参考文献】：
期刊论文
[1]基于特征降维和DBN的广告点击率预测[J]. 杨长春,梅佳俊,吴云,顾寰.  计算机工程与设计. 2018(12)
[2]基于特征关联模型的广告点击率预测[J]. 沈方瑶,戴国骏,代成雷,郭鸿杰,张桦.  清华大学学报(自然科学版). 2018(04)
[3]在线广告中点击率预测研究[J]. 肖垚,毕军芳,韩易,董启文.  华东师范大学学报(自然科学版). 2017(05)
[4]大数据平台下的互联网广告点击率预估模型[J]. 魏晓航,于重重,田嫦丽,陈秀新.  计算机工程与设计. 2017(09)
[5]基于LASSO变量选择方法的网络广告点击率预测模型研究[J]. 李春红,吴英,覃朝勇.  数理统计与管理. 2016(05)
[6]基于特征学习的广告点击率预估技术研究[J]. 张志强,周永,谢晓芹,潘海为.  计算机学报. 2016(04)
[7]计算广告:以数据为核心的Web综合应用[J]. 周傲英,周敏奇,宫学庆.  计算机学报. 2011(10)
[8]在线广告发展态势与特性分析[J]. 高驰,卢志茂.  哈尔滨工业大学学报(社会科学版). 2003(02)



本文编号：3132264