| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景与意义 | 第9-12页 |
| 1.2 国内外研究现状及分析 | 第12-16页 |
| 1.2.1 搜索广告国内外研究现状 | 第12-14页 |
| 1.2.2 实时竞价广告国内外研究现状 | 第14-16页 |
| 1.3 问题的难点和本文的研究思路 | 第16-17页 |
| 1.4 本文内容安排 | 第17-18页 |
| 第2章 实验数据集及相关评价指标 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 实验数据集介绍 | 第18-22页 |
| 2.2.1 腾讯搜索广告数据集 | 第18-20页 |
| 2.2.2 品友互动实时竞价广告数据集 | 第20-22页 |
| 2.3 数据集预处理 | 第22-24页 |
| 2.4 广告点击率预测算法的评价指标 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于模型融合方法的点击率预测 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 基本特征提取与分析 | 第27-33页 |
| 3.2.1 搜索广告数据集基本特征提取及分析 | 第27-31页 |
| 3.2.2 实时竞价广告数据集基本特征提取及分析 | 第31-33页 |
| 3.3 基于朴素贝叶斯模型的点击率预测 | 第33-35页 |
| 3.4 基于支持向量回归模型的点击率预测 | 第35页 |
| 3.5 基于模型融合的点击率预测 | 第35-36页 |
| 3.6 实验设计与结果分析 | 第36-44页 |
| 3.6.1 基于类别特征的朴素贝叶斯模型实验 | 第37-40页 |
| 3.6.2 基于历史信息和用户兴趣行为的支持向量回归模型实验 | 第40-41页 |
| 3.6.3 基于模型融合的点击率预测实验 | 第41-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第4章 基于深度网络的高层特征表示和点击率预测 | 第45-65页 |
| 4.1 引言 | 第45页 |
| 4.2 受限玻尔兹曼机与深度网络 | 第45-50页 |
| 4.3 面向广告点击率预测的深度网络方法 | 第50-53页 |
| 4.3.1 模型框架 | 第50-51页 |
| 4.3.2 基于深度网络的高层特征学习和点击率预测 | 第51-52页 |
| 4.3.3 基于逻辑斯蒂回归模型的点击预测 | 第52-53页 |
| 4.4 实验设计与结果分析 | 第53-61页 |
| 4.4.1 实验的基线设计方法 | 第53-54页 |
| 4.4.2 搜索广告数据集上的实验设计及结果分析 | 第54-58页 |
| 4.4.3 实时竞价广告数据集上的实验设计及结果分析 | 第58-61页 |
| 4.5 整体系统框架及应用 | 第61-64页 |
| 4.6 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |
