基于深度学习的CTR预测研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-22页 |
| 1.0 研究背景 | 第9-11页 |
| 1.1 研究问题与意义 | 第11-13页 |
| 1.1.1 研究问题 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状分析 | 第13-18页 |
| 1.2.1 国内外研究现状 | 第13-16页 |
| 1.2.2 研究现状述评 | 第16-17页 |
| 1.2.3 研究难点分析 | 第17-18页 |
| 1.3 研究内容、组织安排与技术路线 | 第18-20页 |
| 1.3.1 研究内容 | 第18页 |
| 1.3.2 组织安排 | 第18-19页 |
| 1.3.3 技术路线 | 第19-20页 |
| 1.4 独创及新颖之处 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 数据处理与特征工程 | 第22-30页 |
| 2.1 数据分析整体框架 | 第22-23页 |
| 2.2 数据来源与预处理 | 第23-24页 |
| 2.2.1 数据来源 | 第23-24页 |
| 2.2.2 预处理流程 | 第24页 |
| 2.3 特征工程 | 第24-27页 |
| 2.3.1 特征处理 | 第25-26页 |
| 2.3.2 特征选择 | 第26-27页 |
| 2.4 描述统计与重采样技术 | 第27-29页 |
| 2.4.1 描述统计 | 第27-28页 |
| 2.4.2 不平衡数据重采样技术 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 CTR预测的模型研究 | 第30-44页 |
| 3.1 浅层学习 | 第30-35页 |
| 3.1.1 Logistic回归 | 第30-32页 |
| 3.1.2 决策树与GBDT | 第32-33页 |
| 3.1.3 神经网络 | 第33-35页 |
| 3.2 深度学习 | 第35-42页 |
| 3.2.1 DNN | 第36-38页 |
| 3.2.2 SDNN | 第38-40页 |
| 3.2.3 激活函数 | 第40-41页 |
| 3.2.4 dropout | 第41-42页 |
| 3.3 方法评价 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 模型构建与算法实现 | 第44-51页 |
| 4.1 浅层学习模型构建与算法实现 | 第44-46页 |
| 4.1.1 模型构建 | 第44-45页 |
| 4.1.2 算法实现 | 第45-46页 |
| 4.2 深度学习模型构建与算法实现 | 第46-49页 |
| 4.2.1 系统实验设计 | 第46-47页 |
| 4.2.2 SDNN模型构建与算法实现 | 第47-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第5章 CTR预测的实验分析 | 第51-67页 |
| 5.1 实验平台与实验工具 | 第51页 |
| 5.2 浅层学习的CTR预测实验 | 第51-54页 |
| 5.2.1 参数设置 | 第51-52页 |
| 5.2.2 实验结果 | 第52-53页 |
| 5.2.3 浅层学习CTR预测的实验结论 | 第53-54页 |
| 5.3 深度学习的CTR预测实验 | 第54-63页 |
| 5.3.1 SDNN的CTR预测结果与分析 | 第54-58页 |
| 5.3.2 激活函数影响实验结果与分析 | 第58-60页 |
| 5.3.3 dropout敏感性分析 | 第60-61页 |
| 5.3.4 运算效率分析 | 第61-62页 |
| 5.3.5 深度学习CTR预测的实验结论 | 第62-63页 |
| 5.4 CTR预测实验结论 | 第63-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢语 | 第75-76页 |
| 在学期间发表论文及参与课题情况 | 第76页 |
