基于深度置信网络的广告点击率预估的优化

发布时间：2021-11-09 07:26

　　随着互联网广告的飞速发展,如何预测目标用户对互联网广告的点击率（click-throughrate,简称CTR）,成为精确广告推荐投放的关键技术,并成为计算广告领域的研究热点和深度神经网络的应用热点.为了提高广告点击率预估的精确度,提出了基于深度置信网络的广告点击率预估模型,并通过基于Kaggle数据挖掘平台数据集的1000万条随机数据的实验,研究不同的隐藏层层数和隐含节点数目对预测结果的影响.为了解决深度置信网络在数据规模较大的工业界解决方案中的训练效率问题,通过实验证明:广告点击率预估中,深度置信网络的损失函数存在大量的驻点,并且这些驻点对网络训练效率有极大的影响.为了提高模型效率,从发掘网络损失函数特性入手,进一步提出了基于随机梯度下降算法和改进型粒子群算法的融合算法,以优化网络训练.融合算法在迭代步长小于阈值时可以跳出驻点平面,继续正常迭代.实验结果表明,与传统的基于梯度提升决策树和逻辑回归的广告点击率预估模型以及模糊深度神经网络模型相比,基于深度置信网络的预估模型具有更好的预估精度,在均方误差、曲线下面积和对数损失函数指标上分别提升2.39%,9.70%,2.46%和1.24... 

【文章来源】：软件学报. 2019,30(12)北大核心EICSCD

【文章页数】：18 页

【参考文献】：
期刊论文
[1]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)
[2]基于合作粒子群算法的PID神经网络非线性控制系统[J]. 朴海国,王志新,张华强.  控制理论与应用. 2009(12)
[3]基于Hopfield网络的极小值问题学习算法[J]. 金海和,陈剑,唐政,郑国旗.  清华大学学报(自然科学版). 2002(06)



本文编号：3484890