基于深度学习的图片广告点击率预估研究

发布时间：2021-08-04 18:13

　　随着互联网和电子商务的发展,在线展示广告（Online Display Advertising,DA）通过在网页中展示文本、图片以及视频等形式的广告,成为了企业进行商品推广的有效方法之一。图片广告点击率（Click-Through Rate,CTR）预估在展示广告的精准投放过程中具备重要的作用。一方面,点击率预估结果为有效提升用户体验、增强用户粘度提供了量化依据;另一方面,点击率预估是提高互联网广告营销效果的重要方法。目前,多数相关工作主要以文本、图片特征为依据,采用统计学习方法实现点击率预估。在这种情况下,图片特征主要依靠人工选择,耗时耗力而不一定会带来效果的提升。另外,各个特征相互独立,特征之间的关联性并未在点击率预测过程中得以充分体现。因此,如何在广告数据中快速有效地筛选特征,并充分挖掘特征之间的关联性成为了提高预估模型性能的关键因素。近年来,深度学习广泛应用于特征自动提取问题,并取得了令人瞩目的效果。本文基于深度学习技术对广告点击率预测模型展开相关研究,提出了一种面向图片广告的端对端点击率预测深度模型。具体来说,本文将图片广告特征分为图片视觉特征和基本特征两部分,并利用卷积神经... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

eMarketer提供的阿里巴巴数字广告总支出预测

本广告或图片广告[7]。展示广告是指用户在浏览网页时，以文本、图片以及视频等形式直接展现的在线广告[8]。其中，搜索广告和展示广告两种最为常见。相较于搜索广告根据当前用户的搜索关键词实时获取用户的兴趣，展示广告只能根据用户的历史行为推测用户的兴趣。

如在 20 世纪 90 年代，迷你裙吸引人的关键因素是各种明亮的色彩特征，后来演变为探索复杂的图案设计，甚至是无法通过色彩特征抓取的时尚设计[22]。同时，新的手工视觉特征严重依赖于人类的主观启发式，但在实际业务场景中，用户对图片优劣判断的主观性很强，难以形成统一的评价标准。

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[3]双二次B-样条插值图像缩放[J]. 李英明,夏海宏.  中国图象图形学报. 2011(10)
[4]图片广告的优势[J]. 陈靖.  新闻爱好者(理论版). 2008(06)
[5]广告价值与互联网监测[J]. 傅志华.  广告大观(综合版). 2007(11)
[6]连续属性离散化算法比较研究[J]. 刘业政,焦宁,姜元春.  计算机应用研究. 2007(09)
[7]缺失值处理方法比较研究[J]. 胡红晓,谢佳,韩冰.  商场现代化. 2007(15)



本文编号：3322168