基于循环神经网络的广告点击率预估研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 问题难点和本文研究思路 | 第11-12页 |
| 1.4 本文内容安排 | 第12-14页 |
| 第二章 广告点击率预估的相关知识 | 第14-34页 |
| 2.1 广告计算学介绍 | 第14-19页 |
| 2.1.1 计算广告的核心问题 | 第14-17页 |
| 2.1.2 在线广告投放的整体流程 | 第17页 |
| 2.1.3 在线广告竞价机制 | 第17-19页 |
| 2.2 广告特征预处理技术 | 第19-20页 |
| 2.2.1 Min-max归一化 | 第19页 |
| 2.2.2 z-score标准化 | 第19页 |
| 2.2.3 特征二值化 | 第19-20页 |
| 2.2.4 独热编码 | 第20页 |
| 2.3 广告特征选择技术 | 第20-23页 |
| 2.3.1 卡方检验 | 第21页 |
| 2.3.2 互信息 | 第21-22页 |
| 2.3.3 LVW | 第22-23页 |
| 2.4 特征降维 | 第23-25页 |
| 2.4.1 主成分析法 | 第23-24页 |
| 2.4.2 线性判别分析 | 第24-25页 |
| 2.4.3 局部线性嵌入 | 第25页 |
| 2.5 传统机器学习模型 | 第25-28页 |
| 2.5.1 逻辑斯特回归 | 第25-26页 |
| 2.5.2 朴素贝叶斯 | 第26-27页 |
| 2.5.3 梯度提升决策树 | 第27-28页 |
| 2.6 优化方法 | 第28-31页 |
| 2.6.1 梯度下降法 | 第28-29页 |
| 2.6.2 牛顿法 | 第29-30页 |
| 2.6.3 共轭梯度法 | 第30-31页 |
| 2.7 激励函数 | 第31-33页 |
| 2.7.1 sigmoid函数 | 第31-32页 |
| 2.7.2 tanh函数 | 第32页 |
| 2.7.3 ReLU函数 | 第32-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第三章 基于循环神经网络的广告点击率预估模型 | 第34-44页 |
| 3.1 循环神经网络模型 | 第34-37页 |
| 3.1.1 模型定义和输入输出 | 第34-35页 |
| 3.1.2 模型训练 | 第35-37页 |
| 3.2 门控循环单元神经网络模型 | 第37-40页 |
| 3.2.1 模型定义 | 第37-38页 |
| 3.2.2 门单元结构和计算 | 第38-40页 |
| 3.3 深度学习训练难点 | 第40-42页 |
| 3.3.1 正则化 | 第40-41页 |
| 3.3.2 Dropout | 第41-42页 |
| 3.3.3 提前终止 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 广告点击率预估实验设计 | 第44-52页 |
| 4.1 数据集和特征分析 | 第44-47页 |
| 4.2 特征设计 | 第47-49页 |
| 4.3 模型训练和步长改进 | 第49-51页 |
| 4.3.1 模型训练 | 第49-50页 |
| 4.3.2 改进步长方法 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验结果分析 | 第52-57页 |
| 5.1 工具介绍 | 第52页 |
| 5.2 评测指标 | 第52-53页 |
| 5.2.1 AUC和ROC曲线 | 第52-53页 |
| 5.3 结果与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间的研究成果 | 第65页 |
