图片广告点击率预测方法的研究及改进
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文的结构 | 第13-15页 |
| 第2章 图片广告特征及相关模型介绍 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 图片广告特征的选取 | 第15-20页 |
| 2.2.1 常用基础特征 | 第16-17页 |
| 2.2.2 图片视觉特征 | 第17-18页 |
| 2.2.3 特征选择和特征转换 | 第18-20页 |
| 2.3 点击率预测模型的选择 | 第20-25页 |
| 2.3.1 朴素贝叶斯模型 | 第20-21页 |
| 2.3.2 决策树集成模型 | 第21-23页 |
| 2.3.3 因子分解机模型 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 图片广告CTR预测方法与改进研究 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 广告图片特征学习方法的改进研究 | 第26-34页 |
| 3.2.1 图片视觉特征效果分析 | 第26-29页 |
| 3.2.2 传统的图片分类学习架构 | 第29-31页 |
| 3.2.3 设计的广告图片特征学习架构 | 第31-33页 |
| 3.2.4 改进后广告图片特征学习实验 | 第33-34页 |
| 3.3 用户属性推断方法的改进研究 | 第34-36页 |
| 3.4 改进方法在模型中的应用 | 第36-38页 |
| 3.4.1 聚类算法特征离散化 | 第36-37页 |
| 3.4.2 图片特征在模型中的应用 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 改进的图片广告CTR预测方法实验 | 第39-52页 |
| 4.1 腾讯广告点击日志数据 | 第39-41页 |
| 4.1.1 数据描述 | 第39-40页 |
| 4.1.2 数据分析 | 第40页 |
| 4.1.3 训练预测数据集生成 | 第40-41页 |
| 4.2 模型评价指标 | 第41-42页 |
| 4.3 用户属性推断实验设计与分析 | 第42-44页 |
| 4.3.1 用户属性的影响分析 | 第42-43页 |
| 4.3.2 改进用户属性推断实验分析 | 第43-44页 |
| 4.4 贝叶斯模型实验设计及分析 | 第44-47页 |
| 4.4.1 改进图片特征提取的效果分析 | 第45-46页 |
| 4.4.2 不同聚类数下的效果分析 | 第46-47页 |
| 4.5 因子分解机模型实验设计及分析 | 第47-51页 |
| 4.5.1 模型参数的影响分析 | 第48-49页 |
| 4.5.2 改进图片特征提取的效果分析 | 第49-50页 |
| 4.5.3 不同特征聚类数下的影响分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60页 |
