基于深度学习的广告点击率预测方法研究

发布时间：2023-05-12 22:54

　　随着互联网技术的不断发展,互联网广告作为其发展的产物应运而生。提高广告点击率的预测精度是计算广告领域一项非常重要的任务。点击率预测的精度越高,提供给用户的信息将越准确,商家的宣传效果将会越好,进而会提高媒体平台、DSP公司和商家的利润。目前,点击率预测模型已经引起广大研究人员的关注。但是,随着进一步研究可以发现,点击率预测模型的构建仍然存在以下几个方面的问题:(1)数据稀疏问题:每天数以百计的广告呈现在人们的眼前,但在这众多的广告中只有一小部分的广告存在有用的点击数据。因此,蕴含用户偏好的历史点击记录相当稀疏。数据稀疏导致不能准确计算用户点击某个广告的概率,进而不能根据广告的内容实现对用户的精准投放。(2)可扩展性问题:在构建广告点击率预测模型的过程中,牵扯到的广告和用户不计其数。随着互联网的快速发展,广告和用户的数量呈指数级增长,如何更新点击率预测模型、准确的预测广告的点击率成为预测过程中面临的重要挑战。(3)冷启动问题:点击率预测模型是基于已有的广告数据进行训练的,但对于那些没有历史点击数据的新广告而言,构建的预测模型没办法很好的预测。与此同时,用户群体不相同,缺失新用户的属性特征...

【文章页数】：113 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 基于因式分解机的点击率预测方法
        1.2.2 基于深度信念网络的点击率预测方法
        1.2.3 基于堆栈去噪自动编码器的点击率预测
        1.2.4 基于循环神经网络的点击率预测
        1.2.5 基于卷积神经网络的点击率预测
    1.3 本文的主要内容及创新点
    1.4 本文的组织结构
第二章 基于堆栈自编码神经网络的点击率预测方法
    2.1 引言
    2.2 预备知识
        2.2.1 数据降维处理
        2.2.2 域分解机模型
    2.3 基于堆栈自编码神经网络的点击率预测方法
        2.3.1 AUFM模型
        2.3.2 参数估计
    2.4 实验分析
        2.4.1 数据集
        2.4.2 评估指标
        2.4.3 比较方法
        2.4.4 实验结果分析
            2.4.4.1 预测方法的比较和分析
            2.4.4.2 参数分析
    2.5 本章小结
第三章 基于注意力机制的点击率预测模型
    3.1 引言
    3.2 基于注意力机制的点击率预测方法
        3.2.1 注意力因式分解机
        3.2.2 高阶特征交互
        3.2.3 ASAE模型
    3.3 实验
        3.3.1 数据集
        3.3.2 实验设置
        3.3.3 方法比较
        3.3.4 实验结果分析
            3.3.4.1 预测模型的比较和分析
            3.3.4.2 模型参数的敏感度分析
    3.4 本章小结
第四章 基于用户兴趣的点击率预测模型
    4.1 引言
    4.2 背景知识
        4.2.1 门控循环单元
        4.2.2 基础模型
    4.3 方法
    4.4 实验
        4.4.1 实验设置
        4.4.2 模型参数的敏感度分析
        4.4.3 运行时间比较
        4.4.4 不同方法比较
    4.5 本章小结
第五章 基于用户兴趣演化的分层注意力预测模型
    5.1 引言
    5.2 模型介绍
        5.2.1 特征表示
        5.2.2 兴趣提取层
        5.2.3 兴趣演化层
        5.2.4 ADI模型
    5.3 实验
        5.3.1 数据集
        5.3.2 实验设置
        5.3.3 不同模型的性能比较
        5.3.4 模型中的参数分析
        5.3.5 辅助损失的影响
        5.3.6 与ADI变体模型的比较
    5.4 本章小结
第六章 总结与展望
    6.1 主要研究总结
    6.2 未来工作展望
参考文献
攻读博士学位期间的主要成果
致谢



本文编号：3814794