| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 本文研究的目的及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 推荐系统及点击率预估的相关理论研究 | 第17-30页 |
| 2.1 推荐系统 | 第17-23页 |
| 2.1.1 推荐系统的形式化描述 | 第17-18页 |
| 2.1.2 常用推荐算法分析 | 第18-23页 |
| 2.1.3 常用评测方法 | 第23页 |
| 2.2 在线广告推荐概述 | 第23-29页 |
| 2.2.1 计算广告 | 第25-26页 |
| 2.2.2 点击率（CTR）预估的意义及框架 | 第26-28页 |
| 2.2.3 点击率预估评价指标 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于模型融合的在线广告推荐框架 | 第30-49页 |
| 3.1 基于梯度增强决策树模型（GBDT）的在线广告推荐 | 第30-34页 |
| 3.1.1 梯度增强决策树理论 | 第30-31页 |
| 3.1.2 基于梯度增强决策树的回归模型 | 第31-33页 |
| 3.1.3 基于梯度增强决策树的广告推荐模型 | 第33-34页 |
| 3.2 基于支持向量回归模型（SVR）的在线广告推荐 | 第34-43页 |
| 3.2.1 支持向量回归理论 | 第34-37页 |
| 3.2.2 参数优化 | 第37-42页 |
| 3.2.3 基于支持向量回归的广告推荐模型 | 第42-43页 |
| 3.3 基于（GBDT+SVR）模型融合的在线广告推荐 | 第43-49页 |
| 3.3.1 融合意义与思路 | 第43-46页 |
| 3.3.2 融合方案 | 第46-49页 |
| 第4章 实验及结果分析 | 第49-67页 |
| 4.1 实验条件 | 第49-54页 |
| 4.1.1 实验数据集及数据预处理 | 第49-51页 |
| 4.1.2 基本特征提取 | 第51-52页 |
| 4.1.3 实验的评测指标 | 第52-53页 |
| 4.1.4 实验环境说明 | 第53-54页 |
| 4.2 实验设计与点击率预测 | 第54-64页 |
| 4.2.1 常用推荐算法实验 | 第54-57页 |
| 4.2.2 常用点击率预估算法（GBDT、SVR）的实验结果 | 第57-61页 |
| 4.2.3 基于模型融合（GBDT+SVR）的广告推荐算法实验 | 第61-64页 |
| 4.3 实验结果评估总结 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 研究成果和主要结论 | 第67页 |
| 5.2 进一步的研究与展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71页 |
