| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-15页 |
| 1.3.1 问题提出 | 第13-14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 相关研究与技术介绍 | 第16-28页 |
| 2.1 搜索广告相关知识 | 第16-17页 |
| 2.2 用户行为建模 | 第17-19页 |
| 2.2.1 检验假设 | 第18页 |
| 2.2.2 位置偏倚 | 第18-19页 |
| 2.3 相关性 | 第19-21页 |
| 2.3.1 语义特征提取 | 第19-20页 |
| 2.3.2 相关性建模 | 第20-21页 |
| 2.4 特征降维方法 | 第21-24页 |
| 2.4.1 特征选择 | 第21-22页 |
| 2.4.2 特征提取 | 第22-24页 |
| 2.5 深度学习 | 第24-27页 |
| 2.5.1 深度学习概述 | 第24-25页 |
| 2.5.2 自编码器 | 第25-26页 |
| 2.5.3 深度学习方法 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于特征学习的广告CTR预估 | 第28-46页 |
| 3.1 相关概念与问题描述 | 第28-30页 |
| 3.1.1 相关概念与定义 | 第28-29页 |
| 3.1.2 问题描述 | 第29-30页 |
| 3.2 算法基本思想 | 第30-31页 |
| 3.3 特征降维方法研究与分析 | 第31-37页 |
| 3.3.1 点击数据表示形式 | 第31-33页 |
| 3.3.2 相同对象聚类表示 | 第33-34页 |
| 3.3.3 张量相关概念 | 第34-35页 |
| 3.3.4 张量降维与Tucker分解 | 第35-37页 |
| 3.4 特征学习方法研究与分析 | 第37-45页 |
| 3.4.1 输入层特征构成分析 | 第38-40页 |
| 3.4.2 基于SAEN的特征学习方法 | 第40-42页 |
| 3.4.3 点击预估模型及其优化 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 实验与结果分析 | 第46-60页 |
| 4.1 实验环境及数据集 | 第46-47页 |
| 4.1.1 实验环境 | 第46页 |
| 4.1.2 实验数据集 | 第46-47页 |
| 4.2 统计结果与分析 | 第47-49页 |
| 4.2.1 数据统计结果 | 第47-48页 |
| 4.2.2 广告位置、用户性别、年龄对CTR的影响 | 第48-49页 |
| 4.3 结果质量评价方法 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-59页 |
| 4.4.1 参数对模型预估性能的影响 | 第52-53页 |
| 4.4.2 模型运行时间分析 | 第53-55页 |
| 4.4.3 模型预估质量分析 | 第55-58页 |
| 4.4.4 数据规模对预估质量的影响分析 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文和取得的研究成果 | 第68-70页 |
| 致谢 | 第70页 |