| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第10-26页 |
| 第一节 研究背景和研究意义 | 第10-13页 |
| 一、研究背景 | 第10-12页 |
| 二、研究意义 | 第12-13页 |
| 第二节 研究思路及基本框架 | 第13-16页 |
| 一、研究思路 | 第13-14页 |
| 二、基本框架 | 第14-16页 |
| 第三节 国内外研究综述 | 第16-24页 |
| 一、传统推荐算法 | 第16-21页 |
| 二、结合深度学习的推荐算法 | 第21-23页 |
| 三、国内外文献评述 | 第23-24页 |
| 第四节 创新点 | 第24-26页 |
| 一、预测目标的创新 | 第24页 |
| 二、文本特征的引入 | 第24-25页 |
| 三、组合模型的创新 | 第25-26页 |
| 第二章 推荐相关理论与方法阐述 | 第26-41页 |
| 第一节 因子分解机算法相关理论 | 第26-30页 |
| 一、用于推荐的矩阵分解原理 | 第26-27页 |
| 二、因子分解机算法原理 | 第27-30页 |
| 第二节 深度学习算法相关理论 | 第30-41页 |
| 一、深度神经网络原理 | 第30-35页 |
| 二、卷积神经网络原理 | 第35-38页 |
| 三、词嵌入原理 | 第38-41页 |
| 第三章 电商数据预处理与特征分析 | 第41-60页 |
| 第一节 数据集介绍与划分 | 第41-44页 |
| 一、数据集介绍 | 第41-43页 |
| 二、训练集和测试集的划分 | 第43-44页 |
| 第二节 数据预处理 | 第44-46页 |
| 一、对缺失值和重复值的处理 | 第44-46页 |
| 二、时间格式的转化 | 第46页 |
| 三、文本特征的格式处理 | 第46页 |
| 第三节 电商数据基本特征分析 | 第46-60页 |
| 一、用户特征分析 | 第46-52页 |
| 二、广告商品特征分析 | 第52-55页 |
| 三、店铺特征分析 | 第55-56页 |
| 四、上下文信息特征分析 | 第56-58页 |
| 五、交互特征分析 | 第58-60页 |
| 第四章 基于转化率的推荐模型训练与实现 | 第60-86页 |
| 第一节 模型特征的选择以及评估指标说明 | 第60-65页 |
| 一、相关分析以及特征选择 | 第60-62页 |
| 二、模型变量的处理 | 第62-63页 |
| 三、评估指标说明 | 第63-65页 |
| 第二节 基于深度神经网络的电商平台广告转化率预测及推荐 | 第65-69页 |
| 一、深度神经网络模型的参数确定 | 第65-69页 |
| 二、基于转化率排序的推荐 | 第69页 |
| 第三节 基于因子分解机的电商平台广告转化率预测及推荐 | 第69-73页 |
| 一、因子分解机模型的参数确定 | 第69-72页 |
| 二、基于转化率排序的推荐 | 第72-73页 |
| 第四节 基于动态卷积神经网络的电商平台广告转化率预测及推荐 | 第73-76页 |
| 一、动态卷积神经网络的参数确定 | 第73-76页 |
| 二、基于转化率排序的推荐 | 第76页 |
| 第五节 特征有效性分析与模型结果对比 | 第76-80页 |
| 一、特征有效性分析 | 第76-79页 |
| 二、模型结果对比 | 第79-80页 |
| 第六节 基于组合模型的电商平台广告转化率预测及推荐 | 第80-86页 |
| 一、组合模型的形式 | 第80-81页 |
| 二、组合模型的理论分析 | 第81-82页 |
| 三、基于组合模型的参数确定 | 第82-84页 |
| 四、基于转化率排序的推荐 | 第84-86页 |
| 第五章 研究结论与展望 | 第86-88页 |
| 第一节 研究结论 | 第86-87页 |
| 第二节 研究展望 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 附录 | 第93-100页 |
| 致谢 | 第100-101页 |
