基于改进时间分片算法的在线广告点击率预估研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 研究背景和意义 | 第7-10页 |
| 1.1.1 在线广告简介 | 第7-9页 |
| 1.1.2 大数据与在线广告的关系 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 广告点击率预估的相关技术介绍 | 第16-30页 |
| 2.1 在线广告业务介绍 | 第16-18页 |
| 2.1.1 在线广告系统组成 | 第16-17页 |
| 2.1.2 在线广告的计费方式 | 第17-18页 |
| 2.2 模型介绍 | 第18-21页 |
| 2.2.1 代价函数 | 第18页 |
| 2.2.2 梯度下降 | 第18-21页 |
| 2.3 主成分分析(PCA) | 第21-23页 |
| 2.4 Boosting算法 | 第23-25页 |
| 2.4.1 基本算法介绍 | 第23页 |
| 2.4.2 AdaBoost算法 | 第23-25页 |
| 2.5 感知机模型 | 第25-29页 |
| 2.5.1 感知机算法的原始形式 | 第27-28页 |
| 2.5.2 感知机算法的对偶形式 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于改进时间分片的广告点击率预估算法 | 第30-41页 |
| 3.1 在线广告特性研究 | 第30页 |
| 3.2 广告特征分析 | 第30-33页 |
| 3.2.1 常规时间分片 | 第31-32页 |
| 3.2.2 基于购买行为的时间分片 | 第32-33页 |
| 3.3 基于改进时间分片算法的在线广告特征分析 | 第33-38页 |
| 3.3.1 改进时间分片 | 第33-35页 |
| 3.3.2 利用协同过滤和因子分解进行数据降维 | 第35-38页 |
| 3.4 基于特征提取的其他优化方法 | 第38-40页 |
| 3.4.1 对时间维度的进一步优化 | 第38-40页 |
| 3.4.2 惩罚因子的设计 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 实验设计与结果分析 | 第41-58页 |
| 4.1 运行环境和开发语言 | 第41页 |
| 4.2 数据集介绍 | 第41-43页 |
| 4.3 数据预处理 | 第43-45页 |
| 4.4 特征生成及数据处理 | 第45-48页 |
| 4.4.1 特征生成 | 第45-47页 |
| 4.4.2 实验数据处理 | 第47-48页 |
| 4.5 实验设计 | 第48-55页 |
| 4.5.1 评价指标 | 第48-50页 |
| 4.5.2 MLP模型实验设计 | 第50-51页 |
| 4.5.3 GBM模型实验设计 | 第51-53页 |
| 4.5.4 XGBoost模型实验设计 | 第53-55页 |
| 4.6 实验结果及分析 | 第55-56页 |
| 4.7 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 未来展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间的研究成果 | 第64页 |
