Logistic模型的变量选择及其在搜索引擎广告转化中的应用

发布时间：2021-07-03 20:19

　　Logistic模型是研究分类变量的重要方法,鉴于大数据背景下的数据具有高维性和稀疏性等特点,研究Logistic模型在高维数据集中的变量选择方法是非常必要的.本文分析研究了 Logistic模型下的MCP（Minimax Concave Penalty）方法与 SLS（Sparse Laplacian Shrinkage）方法及其应用,具体研究内容和主要研究成果有:利用概率因子图构建影响搜索引擎广告（Search Engine Advertising,SEA）转化的各因素间的概率关系,建立基于多层先验方法的Logistic模型,从而预测SEA转化概率.通过实证分析验证了该模型具有良好的可靠性,分析还表明:在各影响因子中广告质量对SEA转化率影响更大,广告主可通过优化网站设计等方法改善着陆页质量、提升用户体验,从而获得更多的广告转化.证明了在正则化条件下Logistic模型中参数的MCP估计具有Oracle性质,并将该方法应用在SEA转化率预测问题中,筛选出对转化率有显著影响的特征变量.分析显示,广告位置排名、关键词信息和广告着陆页质量均对转化率有显著影响.广告主可通过选择恰当的关键词... 

【文章来源】：广西大学广西壮族自治区 211工程院校

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

图３－４?转化率预测结果??Ｆｉｇ．?３－４?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｃｏｎｖｅｒｓｉｏｎ?ｒａｔｅ??

?０?１５??Ｐｉｅ?ｃｏｎ??图３－４?转化率预测结果??Ｆｉｇ．?３－４?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｃｏｎｖｅｒｓｉｏｎ?ｒａｔｅ??为进一步验证模型的预测效果，本节将与朴素贝叶斯（Ｎａｉｖｅ?Ｂａｙｅｓ）方法进行比较，??得到如下结果．??相比朴素贝叶斯，多层先验贝叶斯模型的预测效果更好，在预测误差和ＲＩＧ方面都??有所改善．此外，多层先验贝叶斯的ＡＵＣ值为０．７２２，可认为它能够对转化事件进行较??好的预测．??０．８??０．７２２??０．７??０．６??０．５０邏??０．５??〇．４?■朴藏贝叶斯??ａ多；２先验贝叶斯??０．３?０．２７０??０．２０邏??〇，〇２?■！?■??：ｌｂ?■?■??ＰＥ?ＲＩＧ?ＡＵＣ??图３－５模型预测精度对比??Ｆｉｇ．?３－５?Ｔｈｅ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｍｏｄｅｌｓ＇?ｐｒｅｄｉｃｔｉｏｎ?ａｃｃｕｒａｃｙ??１５??

４．?３．?２实验结果分析??实验过程中，文章首先采用１０折交叉验证法（１０－ｆｏｌｄ?Ｃｒｏｓｓ?Ｖａｌｉｄａｔｉｏｎ）选择调整??参数．观察图４－１，当参数入＝?０．０１时，交叉验证误差值最小．因此，本节选择该值作为??后续实验的参数值．??２３??

【参考文献】：
期刊论文
[1]大数据时代的高维统计:稀疏建模的发展及其应用[J]. 李仲达,林建浩,王美今.  统计研究. 2015(10)
[2]一种基于因子图的搜索广告转化预测模型[J]. 顾智宇,秦涛,王斌.  中文信息学报. 2015(03)
[3]基因共表达网络的构建及分析方法研究综述[J]. 汪涛,蒋庆华,彭佳杰,王亚东.  智能计算机与应用. 2014(06)
[4]Logistic模型中参数的自适应Lasso估计[J]. 王娉,郭鹏江,夏志明.  西北大学学报(自然科学版). 2012(05)
[5]搜索引擎关键字广告的竞争分析[J]. 陈李钢,李一军.  中国管理科学. 2010(05)

博士论文
[1]搜索引擎用户点击模型研究[D]. 邢千里.清华大学 2014

硕士论文
[1]基于Web使用挖掘的网站优化策略研究[D]. 程文.郑州大学 2012
[2]广义线性模型基于Elastic Net的变量选择方法研究[D]. 卢颖.北京交通大学 2011



本文编号：3263280