广告点击率预估的深层神经网络模型研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究内容和意义 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究意义 | 第14-15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第二章 广告点击率预估问题及相关技术 | 第17-29页 |
| 2.1 计算广告学介绍 | 第17-20页 |
| 2.1.1 展示广告系统组成 | 第17-18页 |
| 2.1.2 广告竞价机制与投放方式 | 第18-20页 |
| 2.1.3 AUC 指标 | 第20页 |
| 2.2 机器学习方法 | 第20-25页 |
| 2.2.1 浅层机器学习模型 | 第20-24页 |
| 2.2.2 深层神经网络模型 | 第24-25页 |
| 2.3 梯度优化算法 | 第25-27页 |
| 2.3.1 基于一阶梯度优化算法 | 第25-26页 |
| 2.3.2 基于二阶梯度拟牛顿优化算法 | 第26-27页 |
| 2.4 Petuum计算平台 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于深层神经网络的点击率预估模型 | 第29-43页 |
| 3.1 广告点击率预估问题 | 第29-30页 |
| 3.2 逻辑回归浅层模型 | 第30-33页 |
| 3.2.1 模型输入及输出 | 第30-32页 |
| 3.2.2 目标函数及求解算法 | 第32-33页 |
| 3.3 深层神经网络模型 | 第33-41页 |
| 3.3.1 模型输入及输出 | 第33-34页 |
| 3.3.2 目标函数及求解算法 | 第34-37页 |
| 3.3.3 模型激活函数分析 | 第37-39页 |
| 3.3.4 权值初始化 | 第39-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 点击率预估实验设计 | 第43-53页 |
| 4.1 数据集及特征分析 | 第43-46页 |
| 4.2 逻辑回归实验设计 | 第46-49页 |
| 4.2.1 特征设计 | 第46-48页 |
| 4.2.2 模型训练 | 第48-49页 |
| 4.3 深层神经网络实验设计 | 第49-51页 |
| 4.3.1 特征设计 | 第49-50页 |
| 4.3.2 模型训练 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 实验结果分析 | 第53-59页 |
| 5.1 运行环境与开发语言 | 第53页 |
| 5.2 评估指标 | 第53-54页 |
| 5.3 实验结果及分析 | 第54-58页 |
| 5.3.1 逻辑回归模型试验结果 | 第54-55页 |
| 5.3.2 深层神经网络实验结果 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 文章总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 6.2.1 样本不均衡问题 | 第59-60页 |
| 6.2.2 新广告的问题 | 第60页 |
| 6.2.3 激活函数选择 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间主要的研究成果 | 第67页 |
