| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状与面临的挑战 | 第14-16页 |
| 1.2.1 研究现状 | 第14-16页 |
| 1.2.2 面临的挑战 | 第16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 研究结构安排 | 第17-18页 |
| 1.5 研究创新点 | 第18-19页 |
| 第二章 在线广告推荐系统相关综述 | 第19-34页 |
| 2.1 在线广告概述 | 第19-22页 |
| 2.1.1 什么是在线广告 | 第19页 |
| 2.1.2 在线广告的类型 | 第19-20页 |
| 2.1.3 在线广告简史 | 第20-21页 |
| 2.1.4 在线广告的商业价值 | 第21-22页 |
| 2.2 推荐系统概述 | 第22-30页 |
| 2.2.1 什么是推荐系统 | 第22页 |
| 2.2.2 推荐系统发展简史 | 第22-23页 |
| 2.2.3 推荐系统的基本范式 | 第23页 |
| 2.2.4 推荐算法的分类 | 第23-27页 |
| 2.2.5 推荐系统的评价指标 | 第27-30页 |
| 2.3 在线广告的推荐系统 | 第30-32页 |
| 2.3.1 推荐系统在在线广告中的可行性 | 第30-31页 |
| 2.3.2 在线广告与推荐系统的关系 | 第31页 |
| 2.3.3 点击率预估(Click-through Rate Prediction) | 第31-32页 |
| 2.4 在线广告推荐系统的管理情境 | 第32-33页 |
| 2.4.1 在线广告推荐的难题 | 第32-33页 |
| 2.4.2 在线广告推荐需要解决的问题 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 在线广告推荐系统的相关算法 | 第34-48页 |
| 3.1 统计机器学习算法概述 | 第34-37页 |
| 3.1.1 统计机器学习算法流派 | 第34-35页 |
| 3.1.2 统计机器学习算法的相关概念 | 第35-37页 |
| 3.2 常用的统计机器学习算法 | 第37-43页 |
| 3.2.1 逻辑回归(Logistic Regression) | 第37-39页 |
| 3.2.2 支持向量机(Support Vector Machine) | 第39-40页 |
| 3.2.3 决策树(Decision Tree) | 第40-41页 |
| 3.2.4 集成学习方法(Ensemble Method) | 第41-43页 |
| 3.3 域感知因子分解机 | 第43-47页 |
| 3.3.1 原始因子分解机(Factorization Machine) | 第43-44页 |
| 3.3.2 域感知因子分解机的概念 | 第44-46页 |
| 3.3.3 域感知因子分解机的求解 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于域感知因子分解机的广告推荐技术 | 第48-63页 |
| 4.1 实验环境 | 第48页 |
| 4.2 数据集及评价指标 | 第48-50页 |
| 4.3 数据处理 | 第50-53页 |
| 4.3.1 数据探索性分析 | 第50-53页 |
| 4.3.2 数据类型和编码检查 | 第53页 |
| 4.4 特征工程 | 第53-55页 |
| 4.4.1 离散特征独热编码 | 第54页 |
| 4.4.2 连续特征的构造和处理 | 第54-55页 |
| 4.4.3 缺失值处理 | 第55页 |
| 4.4.4 针对域感知因子分解机的特征 | 第55页 |
| 4.5 对比实验 | 第55-62页 |
| 4.5.1 基于不同参数的对比实验 | 第56-58页 |
| 4.5.2 基于不同算法的对比实验 | 第58-60页 |
| 4.5.3 基于不同评价指标的对比实验 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 文章总结 | 第63-64页 |
| 5.2 展望和未来的工作 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
