| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 广告点击率预测研究 | 第11-12页 |
| 1.2.2 机器学习分类方法研究 | 第12-14页 |
| 1.3 研究内容与方法 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.4 研究创新点 | 第16-17页 |
| 第二章 App广告及其点击率预测算法 | 第17-23页 |
| 2.1 App广告概述 | 第17-19页 |
| 2.1.1 App广告的定义与特点 | 第17页 |
| 2.1.2 App广告的分类 | 第17页 |
| 2.1.3 App广告投放方式与竞价机制 | 第17-18页 |
| 2.1.4 App广告投放面临的主要问题 | 第18-19页 |
| 2.2 基于机器学习的App广告点击率预测算法 | 第19-21页 |
| 2.2.1 随机森林 | 第19-20页 |
| 2.2.2 梯度提升决策树 | 第20页 |
| 2.2.3 随机梯度下降 | 第20-21页 |
| 2.2.4 因子分解机 | 第21页 |
| 2.3 App广告点击率集成学习算法 | 第21-22页 |
| 2.3.1 Bagging | 第21-22页 |
| 2.3.2 Boosting | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 App广告点击率预测模型构建 | 第23-29页 |
| 3.1 App广告点击率影响因素 | 第23-24页 |
| 3.1.1 广告特征因素 | 第23页 |
| 3.1.2 用户特征因素 | 第23-24页 |
| 3.1.3 上下文特征因素 | 第24页 |
| 3.2 基于RF+LGFV算法的App广告点击率预测模型构建 | 第24-28页 |
| 3.2.1 特征提取 | 第25-26页 |
| 3.2.2 初级模型构建 | 第26-28页 |
| 3.2.3 基于RF+LGFV混合模型的App广告点击率预测 | 第28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 实验设计 | 第29-41页 |
| 4.1 数据提取 | 第29-33页 |
| 4.1.1 数据提取过程 | 第29-31页 |
| 4.1.2 App广告数据表结构 | 第31-33页 |
| 4.2 数据预处理 | 第33-35页 |
| 4.2.1 基于奇异值分解的数据降维 | 第33-34页 |
| 4.2.2 基于主成分分析的数据降维 | 第34页 |
| 4.2.3 数据归一化 | 第34-35页 |
| 4.3 App广告点击率预测特征提取 | 第35-36页 |
| 4.4 实验结果分析 | 第36-39页 |
| 4.4.1 App广告点击率预测衡量指标 | 第36-37页 |
| 4.4.2 结果分析 | 第37-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第五章 研究结论与展望 | 第41-43页 |
| 5.1 全文总结 | 第41-42页 |
| 5.2 研究展望 | 第42-43页 |
| 致谢 | 第43-45页 |
| 参考文献 | 第45-48页 |