摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 实时竞价系统研究现状 | 第13-16页 |
1.2.1 出价算法及其研究现状 | 第14-15页 |
1.2.2 点击率预测模型及其研究现状 | 第15-16页 |
1.3 本文的主要研究内容 | 第16-17页 |
1.4 本文结构与安排 | 第17-19页 |
第二章 相关技术与理论 | 第19-27页 |
2.1 RTB中的关键技术 | 第19-22页 |
2.1.1 广义第二高价机制 | 第19-20页 |
2.1.2 需求方平台的基本功能 | 第20-21页 |
2.1.3 竞价愿景预测 | 第21页 |
2.1.4 预算步进管理 | 第21-22页 |
2.2 相关理论基础 | 第22-26页 |
2.2.1 逻辑回归模型 | 第22-23页 |
2.2.2 梯度下降法 | 第23-24页 |
2.2.3 约束优化与拉格朗日法 | 第24-25页 |
2.2.4 神经网络模型 | 第25-26页 |
2.3 本章小结 | 第26-27页 |
第三章 出价算法中点击率预测模型研究 | 第27-35页 |
3.1 基于线性模型的点击率预测 | 第27-28页 |
3.1.1 利用逻辑回归模型进行预测 | 第27-28页 |
3.2 基于非线性模型的点击率预测 | 第28-34页 |
3.2.1 利用GBDT挖掘特征之间的隐含关系 | 第29页 |
3.2.2 因子分解机 | 第29-31页 |
3.2.3 实验方案及结果分析 | 第31-32页 |
3.2.4 整体实验结果分析 | 第32-33页 |
3.2.5 以逻辑回归模型为基准进行比较 | 第33-34页 |
3.3 本章总结 | 第34-35页 |
第四章 基于张量和深度神经网络的点击率预测模型研究 | 第35-51页 |
4.1 引言 | 第35-36页 |
4.2 基于张量的特征组合 | 第36-38页 |
4.2.1 张量的构建方法 | 第36-37页 |
4.2.2 基于张量的权重计算 | 第37-38页 |
4.3 基于深度神经网络模型的点击率预测 | 第38-41页 |
4.4 张量模型求解的复杂度分析 | 第41-42页 |
4.5 实验方案和结果分析 | 第42-50页 |
4.5.1 实验数据集介绍 | 第42-44页 |
4.5.2 实验方案介绍 | 第44-46页 |
4.5.3 与逻辑回归和因子分解机模型的性能比较 | 第46-47页 |
4.5.4 不同神经元个数下算法性能对比 | 第47页 |
4.5.5 两个隐藏层中神经元个数在不同比例下性能对比 | 第47-48页 |
4.5.6 Dropout权值 | 第48-49页 |
4.5.7 Dropout权值和L2正则化对比 | 第49-50页 |
4.6 本章小结 | 第50-51页 |
第五章 基于赢标率的出价算法 | 第51-67页 |
5.1 背景与动机 | 第51-52页 |
5.1.1 出价算法整体框架 | 第52页 |
5.2 出价算法研究 | 第52-58页 |
5.2.1 基本出价方案 | 第53-55页 |
5.2.2 非线性出价方案 | 第55-58页 |
5.3 赢标函数 | 第58-62页 |
5.3.1 影响因素分析 | 第58-59页 |
5.3.2 赢标函数设计 | 第59-62页 |
5.4 实验方案及结果分析 | 第62-65页 |
5.4.1 参数选择 | 第63-64页 |
5.4.2 相关算法对比 | 第64-65页 |
5.5 本章小结 | 第65-67页 |
第六章 出价算法中的预算管理 | 第67-84页 |
6.1 背景与动机 | 第67-69页 |
6.1.1 预算管理框架下的出价算法 | 第68-69页 |
6.2 预算管理 | 第69-73页 |
6.2.1 影响因素分析 | 第69-71页 |
6.2.2 流量预测 | 第71-72页 |
6.2.3 预算分配 | 第72-73页 |
6.3 实验方案与结果分析 | 第73-82页 |
6.3.1 流量预测算法实验 | 第74-75页 |
6.3.2 预算更新算法实验 | 第75-76页 |
6.3.3 预算分配算法对比 | 第76-78页 |
6.3.4 整体算法有效性验证 | 第78-82页 |
6.4 本章小结 | 第82-84页 |
第七章 全文总结 | 第84-85页 |
致谢 | 第85-86页 |
参考文献 | 第86-91页 |
攻读硕士学位期间所取得的成果 | 第91-92页 |