| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.1.1 研究背景与应用场景示例 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 基于特征组合的传统机器学习模型 | 第13-14页 |
| 1.2.2 基于特征组合的深度学习模型 | 第14-16页 |
| 1.2.3 基于序列信息的深度学习模型 | 第16页 |
| 1.2.4 其他的广告点击预估模型 | 第16-18页 |
| 1.3 论文的主要工作 | 第18-19页 |
| 1.4 论文的组织结构 | 第19-20页 |
| 第二章 相关基线模型介绍 | 第20-28页 |
| 2.1 经典的广告点击率预估模型 | 第20-22页 |
| 2.1.1 LR：逻辑回归模型 | 第20-21页 |
| 2.1.2 FM：因子分解机模型 | 第21-22页 |
| 2.2 新近的基于特征组合的点击率预估模型 | 第22-26页 |
| 2.2.1 FFM：基于字段的因子分解机模型 | 第22-23页 |
| 2.2.2 HOFM：高阶因子分解机模型 | 第23-24页 |
| 2.2.3 AFM：基于注意力机制的因子分解机模型 | 第24-25页 |
| 2.2.4 DeepFM：深度因子分解机模型 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 自动特征组合构造框架 | 第28-44页 |
| 3.1 应用场景分析 | 第28-32页 |
| 3.1.1 人工特征组合构造方案 | 第28-30页 |
| 3.1.2 特征组合构造范式 | 第30-32页 |
| 3.2 AutoFeature：自动特征组合构造框架 | 第32-39页 |
| 3.2.1 整体框架及其分布式实现方法 | 第32-37页 |
| 3.2.2 特征选择问题 | 第37-39页 |
| 3.3 MF-AutoFeature:基于矩阵分解的特征组合框架 | 第39-43页 |
| 3.3.1 启发式搜索 | 第40-41页 |
| 3.3.2 基于矩阵分解的特征组合框架 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于特征组合的广告点击率预估模型 | 第44-59页 |
| 4.1 NN-FMs：基于神经网络的因子分解机模型 | 第44-54页 |
| 4.1.1 DeepAFM：基于注意力机制的深度因子分解机 | 第44-51页 |
| 4.1.2 DeepNFM:融合深度神经网络的神经分解机 | 第51-54页 |
| 4.2 RNN-FMs:融入序列信息的因子分解机模型 | 第54-58页 |
| 4.2.1 应用场景分析 | 第54-55页 |
| 4.2.2 RFM:融入序列信息的因子分解机 | 第55-57页 |
| 4.2.3 DeepRFM：融入序列信息的深度因子分解机 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 实验与结果分析 | 第59-93页 |
| 5.1 实验数据集及实验环境简介 | 第59-62页 |
| 5.1.1 数据集选取 | 第59页 |
| 5.1.2 实验环境以及评价指标 | 第59-62页 |
| 5.2 实验数据集预处理 | 第62-71页 |
| 5.2.1 零售平台广告数据集预处理及相关统计信息 | 第62-64页 |
| 5.2.2 视频广告数据集预处理及相关统计信息 | 第64-66页 |
| 5.2.3 基于规则的异常用户检测 | 第66-71页 |
| 5.3 特征组合构造框架实验 | 第71-77页 |
| 5.3.1 样本量大小对特征选择的影响 | 第71-73页 |
| 5.3.2 AutoFeature与MF-AutoFeature对比分析 | 第73-76页 |
| 5.3.3 AutoFeature的可解释性 | 第76-77页 |
| 5.4 NN-FMs超参数分析 | 第77-83页 |
| 5.4.1 DeepAFM超参数分析 | 第78-80页 |
| 5.4.2 DeepNFM超参数分析 | 第80-82页 |
| 5.4.3 DeepAFM与DeepNFM效果对比 | 第82-83页 |
| 5.5 RNN-FMs超参数分析 | 第83-87页 |
| 5.5.1 RFM超参数分析 | 第83-85页 |
| 5.5.2 DeepRFM超参数分析 | 第85-87页 |
| 5.5.3 RFM与DeepRFM效果对比 | 第87页 |
| 5.6 实验结果总结 | 第87-93页 |
| 5.6.1 不同模型在测试集上的表现 | 第87-90页 |
| 5.6.2 AutoFeature与基于特征组合的深度学习模型对比分析 | 第90-93页 |
| 总结与展望 | 第93-94页 |
| 参考文献 | 第94-99页 |
| 攻读硕士学位期间取得的研究成果 | 第99-100页 |
| 致谢 | 第100-101页 |
| 附件 | 第101页 |
