| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题来源及研究意义 | 第9-10页 |
| 1.2 与课题相关的国内外研究综述 | 第10-12页 |
| 1.3 本论文的主要工作内容 | 第12-14页 |
| 第2章 CTR预估系统需求分析 | 第14-26页 |
| 2.1 需求分析 | 第14-22页 |
| 2.1.1 整个广告系统总体分析 | 第14-17页 |
| 2.1.2 功能性需求分析 | 第17-21页 |
| 2.1.3 非功能性需求分析 | 第21-22页 |
| 2.2 CTR服务主要数据接口 | 第22-24页 |
| 2.2.1 CTR内部数据接口 | 第22-23页 |
| 2.2.2 CTR外部数据接口 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 CTR预估系统相关技术 | 第26-37页 |
| 3.1 CTR预估系统技术方案 | 第26-32页 |
| 3.1.1 逻辑回归模型简述 | 第26-29页 |
| 3.1.2 硬件技术条件 | 第29页 |
| 3.1.3 Hadoop和Spark简介 | 第29-31页 |
| 3.1.4 CTR预估的技术关键和难点 | 第31-32页 |
| 3.2 CTR预估系统的评价指标 | 第32-36页 |
| 3.2.1 线下实验评估指标 | 第33-35页 |
| 3.2.2 线上实验评价指标 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 CTR预估系统的设计与实现 | 第37-60页 |
| 4.1 线上模块设计 | 第37-50页 |
| 4.1.1 特征计算模块 | 第38-40页 |
| 4.1.2 模型模块 | 第40-42页 |
| 4.1.3 广告模块 | 第42-43页 |
| 4.1.4 点击率计算模块 | 第43-46页 |
| 4.1.5 动态设计 | 第46-50页 |
| 4.2 线下模块设计与实现 | 第50-59页 |
| 4.2.1 特征选择模块 | 第50-56页 |
| 4.2.2 模型求解模块 | 第56-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第5章 CTR预估系统的测试与实验分析 | 第60-83页 |
| 5.1 特征选择测试分析 | 第60-62页 |
| 5.2 时间衰减因子测试分析 | 第62-66页 |
| 5.3 模型训练算法分析 | 第66-76页 |
| 5.3.1 基于Naive Bayes模型的CTR预估 | 第67-70页 |
| 5.3.2 基于SVM模型的CTR预估 | 第70-73页 |
| 5.3.3 基于融合模型的CTR预估 | 第73-76页 |
| 5.4 实验设计与结果分析 | 第76-82页 |
| 5.5 本章小结 | 第82-83页 |
| 结论 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-89页 |
| 个人简历 | 第89页 |