| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 个性化推荐 | 第13-14页 |
| 1.2.2 广告与搜索 | 第14-15页 |
| 1.3 研究内容 | 第15-19页 |
| 1.3.1 问题描述 | 第15页 |
| 1.3.2 评估指标 | 第15-19页 |
| 第二章 相关研究工作 | 第19-23页 |
| 2.1 协同过滤 | 第19-21页 |
| 2.1.1 协同过滤定义 | 第19页 |
| 2.1.2 基于邻域的方法 | 第19-21页 |
| 2.1.3 基于模型的方法 | 第21页 |
| 2.2 点击率预估 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 数据分析与特征提取 | 第23-33页 |
| 3.1 数据分析 | 第23-26页 |
| 3.1.1 数据源 | 第23页 |
| 3.1.2 交互与未交互推荐 | 第23-24页 |
| 3.1.3 数据时间维度 | 第24-26页 |
| 3.2 特征提取 | 第26-31页 |
| 3.2.1 用户特征 | 第26-27页 |
| 3.2.2 品牌特征 | 第27-29页 |
| 3.2.3 交互特征 | 第29-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 模型建立与选择 | 第33-45页 |
| 4.1 数据集划分 | 第33-34页 |
| 4.2 分类与回归 | 第34-36页 |
| 4.2.1 分类问题 | 第34-36页 |
| 4.2.2 回归问题 | 第36页 |
| 4.3 逻辑斯蒂回归模型 (Logistic Regression - LR) | 第36-39页 |
| 4.3.1 逻辑斯蒂回归 | 第36-37页 |
| 4.3.2 LR特殊处理 | 第37-39页 |
| 4.4 随机森林模型 (Random Forest - RF) | 第39-41页 |
| 4.4.1 决策树 | 第39-40页 |
| 4.4.2 随机森林 | 第40-41页 |
| 4.5 梯度渐进回归树 (Gradient Boost Regression Tree - GBRT) | 第41-43页 |
| 4.5.1 GBRT | 第41-42页 |
| 4.5.2 算法实现 | 第42-43页 |
| 4.6 本章小结 | 第43-45页 |
| 第五章 模型融合 | 第45-51页 |
| 5.1 模型融合框架 | 第45-47页 |
| 5.2 基础模型选择 | 第47-48页 |
| 5.3 模型融合算法 | 第48-49页 |
| 5.4 本章小结 | 第49-51页 |
| 第六章 实验结果 | 第51-55页 |
| 6.1 基础模型实验结果 | 第51-52页 |
| 6.1.1 逻辑斯蒂回归 | 第51-52页 |
| 6.1.2 随机森林 | 第52页 |
| 6.1.3 梯度渐进回归树 | 第52页 |
| 6.2 模型融合实验结果 | 第52-53页 |
| 6.3 本章小结 | 第53-55页 |
| 全文总结 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表的学术论文目录 | 第65-67页 |
| 攻读学位期间参与的项目 | 第67-69页 |
