| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 相关技术介绍 | 第15-23页 |
| 2.1 搜索广告系统简介 | 第15-16页 |
| 2.2 分布式框架Hadoop | 第16-18页 |
| 2.3 贝叶斯网络 | 第18-19页 |
| 2.4 模型评价方法 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于用户特征的点击率预测方法研究 | 第23-45页 |
| 3.1 特征提取 | 第23-30页 |
| 3.1.1 用户特征提取 | 第24-27页 |
| 3.1.2 相似性特征提取 | 第27-29页 |
| 3.1.3 历史统计特征提取 | 第29-30页 |
| 3.1.4 相对位置特征提取 | 第30页 |
| 3.2 基于模拟退火算法的特征选择 | 第30-34页 |
| 3.2.1 特征选择方法分析 | 第31-32页 |
| 3.2.2 基于模拟退火算法的特征选择 | 第32-34页 |
| 3.3 基于融合技术的点击率预测模型 | 第34-40页 |
| 3.3.1 模型对比分析 | 第34-38页 |
| 3.3.2 基于融合技术的点击率预测模型 | 第38-40页 |
| 3.4 基于深度神经网络的点击率预测模型 | 第40-43页 |
| 3.4.1 人工神经网络 | 第41页 |
| 3.4.2 反向传播神经网络 | 第41-42页 |
| 3.4.3 基于深度神经网络的点击率预测模型 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 实验与结果分析 | 第45-53页 |
| 4.1 实验数据集描述 | 第45-47页 |
| 4.2 数据统计与分析 | 第47-48页 |
| 4.3 融合模型实验 | 第48-50页 |
| 4.3.1 融合模型与单一模型对比实验 | 第49页 |
| 4.3.2 特征有效性实验 | 第49-50页 |
| 4.4 深度神经网络模型实验 | 第50-52页 |
| 4.4.1 深度神经网络模型参数设置实验 | 第50-51页 |
| 4.4.2 深度神经网络模型与逻辑回归模型对比实验 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第59-61页 |
| 致谢 | 第61页 |