| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 问题难点及研究思路 | 第11-12页 |
| 1.4 本文内容安排 | 第12-14页 |
| 2 计算广告点击率预估相关技术 | 第14-22页 |
| 2.1 计算广告发展及现状 | 第14-15页 |
| 2.2 点击率预估的重要作用 | 第15-16页 |
| 2.3 广告点击率问题描述 | 第16页 |
| 2.4 特征工程 | 第16-19页 |
| 2.4.1 缺失值处理 | 第16-17页 |
| 2.4.2 历史行为特征 | 第17页 |
| 2.4.3 数值特征及类别处理方法 | 第17-18页 |
| 2.4.4 组合特征 | 第18-19页 |
| 2.5 实验数据集 | 第19-20页 |
| 2.6 模型评价指标 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 3 基于集成学习的广告点击率预估方法研究 | 第22-36页 |
| 3.1 引言 | 第22页 |
| 3.2 集成学习的广告点击率预估模型框架 | 第22-23页 |
| 3.3 集成学习 | 第23-24页 |
| 3.4 Bagging与随机森林 | 第24-26页 |
| 3.4.1 Bagging | 第24-25页 |
| 3.4.2 随机森林 | 第25页 |
| 3.4.3 基学习器结合策略 | 第25-26页 |
| 3.5 Boosting与梯度上升决策树 | 第26-29页 |
| 3.5.1 梯度上升决策树 | 第27页 |
| 3.5.2 极限梯度上升模型 | 第27-29页 |
| 3.6 实验与结果分析 | 第29-34页 |
| 3.6.1 随机森林与梯度上升树单模型实验与结果分析 | 第29-31页 |
| 3.6.2 Boosting集成模型的实验与结果分析 | 第31-33页 |
| 3.6.3 Boosting集成模型构建组合特征实验与结果分析 | 第33-34页 |
| 3.7 本章小结 | 第34-36页 |
| 4 基于深度学习的广告点击率预估方法研究 | 第36-52页 |
| 4.1 引言 | 第36页 |
| 4.2 深度学习广告点击率预估模型框架 | 第36-37页 |
| 4.3 深度学习简述 | 第37-41页 |
| 4.4 深层神经网络性能提升 | 第41-44页 |
| 4.4.1 随机失活 | 第42页 |
| 4.4.3 批归一化 | 第42-43页 |
| 4.4.5 训练提前结束 | 第43-44页 |
| 4.5 堆栈自编码器点击率预估实验与结果分析 | 第44-51页 |
| 4.5.1 特征设计 | 第44-47页 |
| 4.5.2 堆栈自编码器点击率预估模型实验 | 第47-49页 |
| 4.5.3 实验结果分析 | 第49-50页 |
| 4.5.4 堆栈自编码点击率预估模型性能提升 | 第50-51页 |
| 4.6 本章总结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
