| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 研究内容与研究思路 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关理论与技术介绍 | 第15-26页 |
| 2.1 点击率预估问题中的神经网络基本原理介绍 | 第15-20页 |
| 2.1.1 深度神经网络DNN基本结构介绍 | 第15-16页 |
| 2.1.2 基于DNN的点击率预估模型介绍 | 第16-18页 |
| 2.1.3 Embedding& Pooling技术原理介绍 | 第18-19页 |
| 2.1.4 Positional Embedding技术介绍 | 第19-20页 |
| 2.2 Attention机制相关理论介绍 | 第20-25页 |
| 2.2.1 Basic Attention介绍 | 第22页 |
| 2.2.2 Multi-dimensional Attention介绍 | 第22-23页 |
| 2.2.3 Hierarchical Attention介绍 | 第23页 |
| 2.2.4 Self-Attention介绍 | 第23-24页 |
| 2.2.5 Multi-Head Attention介绍 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于深度偏好网络的点击率预估模型的设计 | 第26-40页 |
| 3.1 网络结构的设计 | 第28-34页 |
| 3.1.1 模型整体结构设计 | 第28-30页 |
| 3.1.2 DPN网络结构设计 | 第30-34页 |
| 3.2 正则化方法的设计 | 第34-36页 |
| 3.2.1 动态自适应正则项 | 第34-35页 |
| 3.2.2 Dropout方法 | 第35-36页 |
| 3.3 激活函数的选择 | 第36-37页 |
| 3.4 损失函数与优化方法的选择 | 第37-38页 |
| 3.4.1 损失函数 | 第37页 |
| 3.4.2 优化方法 | 第37-38页 |
| 3.5 模型评价标准的选择 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 实验的分析与评价 | 第40-56页 |
| 4.1 数据集选择与问题分析 | 第40-42页 |
| 4.1.1 数据集的选择 | 第40页 |
| 4.1.2 问题分析 | 第40-42页 |
| 4.2 数据预处理与特征的提取 | 第42-44页 |
| 4.2.1 数据预处理 | 第42页 |
| 4.2.2 特征的提取 | 第42-44页 |
| 4.3 实验环境及参数的设置 | 第44-46页 |
| 4.3.1 实验环境设定 | 第44页 |
| 4.3.2 对照实验及模型参数的设置 | 第44-46页 |
| 4.4 实验的构建与结果的评价 | 第46-55页 |
| 4.4.1 模型点击率预估效果分析 | 第46-49页 |
| 4.4.2 行为序列长度对模型预估效果的影响 | 第49-51页 |
| 4.4.3 DPN子结构有效性验证 | 第51-53页 |
| 4.4.4 模型Embedding向量的可解释性 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 论文总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63-64页 |
