基于迁移学习的广告点击率预测方法研究

发布时间：2021-08-29 14:14

　　广告点击率预测是在线广告投放过程中的一项重要任务,有助于理解以广告投放平台为代表的系统特性。在线广告运营是通过后台计算与搜索内容相匹配的广告,将其进行精准投放的过程。广告投放机制可以快速增加广告主投放的广告点击率（Click-through Rate,CTR）,帮助用户获取优质的资源信息。随着科技的迅猛发展,面对庞大的数据量,高维稀疏的特征,冗余数据构成了更加复杂的广告数据。传统的广告点击率预测方法已经不能满足日益复杂的广告数据。如何快速而准确的构造一个广告点击率预测模型是一个迫在眉睫的研究课题。广告点击率预测是致力于在线广告投放后点击率的检测。当使用经典的逻辑回归算法处理广告不平衡的高维稀疏数据时,广告点击率预测方法未能考虑特征之间的联系使得预测的准确度不理想。为了解决这个问题,本文通过迁移学习方法提取不平衡数据样本之间的潜在关系表示,使得广告数据的预测结果得到大幅度提升。本文提出两种广告点击率预测方法:迁移学习影响下基于鲁棒性集成局部内核嵌入的广告点击率预测方法（Click-Through Rate Prediction Method based on Robust Integra... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

多视

安徽大学硕士学位论文25移学习框架添加到CTR预测的优势。当源域和目标域的比率改变时，RTILKE算法比RILKE更好，更稳定。因为MIX数据不能完全解释广告数据的不平衡，实验增设完全(a)(b)(c)(d)(e)(f)图3.3RTILKE和RILKE模型在Avito，Talking和Kad广告数据集的表现Fig.3.3TheperformanceofRTILKEwithRILKEonAvito，TalkingandKadCTRdatasets

第三章迁移学习影响下基于鲁棒性集成局部内核嵌入的广告点击率预测方法26(a)(b)(c)(d)(e)(f)图3.4RTILKE和RILKE模型在Avazu和Display广告数据集的表现Fig.3.4TheperformanceofRTILKEwithRILKEonAvazuandDisplayCTRdatasets

【参考文献】：
期刊论文
[1]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁.  统计与决策. 2019(06)
[2]多视图聚类算法综述[J]. 何雪梅.  软件导刊. 2019(04)
[3]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏.  清华大学学报(自然科学版). 2019(07)
[4]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[5]基于实时竞价的网络广告投放流程设计[J]. 肖鸿江,孙国华.  信息技术. 2013(07)
[6]广告点击率估算技术综述[J]. 纪文迪,王晓玲,周傲英.  华东师范大学学报(自然科学版). 2013(03)
[7]基于局部线性嵌入（LLE）非线性降维的多流形学习[J]. 马瑞,王家廞,宋亦旭.  清华大学学报(自然科学版). 2008(04)

硕士论文
[1]多视图K-means聚类算法研究[D]. 洪敏.北京交通大学 2019
[2]针对实时竞价广告出价问题的优化机制研究[D]. 吴书漫.电子科技大学 2018
[3]基于大数据分析的广告点击率预估方法研究[D]. 黄淦.华南理工大学 2017



本文编号：3370805