基于深度学习的CTR预估算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的章节安排 | 第13-15页 |
| 第2章 广告点击率预估关键技术 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 对广告点击率建立数学模型 | 第15-16页 |
| 2.3 机器学习相关知识 | 第16-19页 |
| 2.3.1 逻辑回归算法 | 第16-18页 |
| 2.3.2 提升树算法 | 第18-19页 |
| 2.4 因式分解机 | 第19-21页 |
| 2.5 深度神经网络 | 第21-23页 |
| 2.6 过拟合和正则化 | 第23-24页 |
| 2.6.1 L2范数 | 第23页 |
| 2.6.2 Dropout | 第23-24页 |
| 2.7 激活函数 | 第24-25页 |
| 2.7.1 Sigmoid函数 | 第24页 |
| 2.7.2 线性整流函数 | 第24-25页 |
| 2.8 评价方法 | 第25-26页 |
| 2.8.1 AUC | 第25-26页 |
| 2.8.2 logloss | 第26页 |
| 2.9 数据标准化 | 第26-27页 |
| 2.10 本章小结 | 第27-29页 |
| 第3章 嵌入算法研究 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 数值型数据的嵌入算法 | 第29-31页 |
| 3.3 类别型数据嵌入算法 | 第31-35页 |
| 3.3.1 改进模型的优化算法 | 第33-34页 |
| 3.3.2 算法复杂度分析 | 第34-35页 |
| 3.4 嵌入层算法的实现 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 改进深度学习算法 | 第39-52页 |
| 4.1 引言 | 第39页 |
| 4.2 改进反向传播算法 | 第39-43页 |
| 4.3 改进深度神经网络结构 | 第43页 |
| 4.4 改进深度神经网络激活函数 | 第43-45页 |
| 4.5 改进深度学习正则化方法 | 第45-46页 |
| 4.6 基于BFNN的广告点击率预测 | 第46-49页 |
| 4.7 本章小结 | 第49-52页 |
| 第5章 实验设计和特征工程 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 数据来源和数据分析 | 第52-54页 |
| 5.3 浅层模型的特征工程 | 第54-55页 |
| 5.3.1 数据清洗 | 第55页 |
| 5.3.2 编码及归一化 | 第55页 |
| 5.4 深度学习的特征工程 | 第55-57页 |
| 5.4.1 处理数值型数据 | 第56页 |
| 5.4.2 处理类别型数据 | 第56-57页 |
| 5.4.3 处理One-hot类型数据 | 第57页 |
| 5.5 逻辑回归模型的实验设计 | 第57-58页 |
| 5.6 基于BFNN的实验设计 | 第58-59页 |
| 5.7 验证BFNN模型有效性实验设计 | 第59-60页 |
| 5.8 本章小结 | 第60-62页 |
| 第6章 实验结果分析 | 第62-74页 |
| 6.1 引言 | 第62页 |
| 6.2 实验环境 | 第62页 |
| 6.3 浅层模型和深度学习实验对比 | 第62-64页 |
| 6.3.1 参数设置 | 第62-63页 |
| 6.3.2 实验结果对比 | 第63-64页 |
| 6.3.3 试验结论 | 第64页 |
| 6.4 BFNN和其他深度学习模型对比 | 第64-65页 |
| 6.4.1 用于CTR的深度学习模型 | 第64页 |
| 6.4.2 实验结果 | 第64-65页 |
| 6.4.3 实验结论 | 第65页 |
| 6.5 BFNN模型有效性实验分析 | 第65-72页 |
| 6.5.1 激活函数的影响研究 | 第65-67页 |
| 6.5.2 对于神经网络结构的对比试验 | 第67-69页 |
| 6.5.3 正则化方法分析 | 第69-71页 |
| 6.5.4 dropout敏感性分析 | 第71-72页 |
| 6.6 本章小结 | 第72-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-82页 |
| 致谢 | 第82页 |
