基于在线学习的展示广告系统研究与设计
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 相关研究现状 | 第13-16页 |
| 1.3 研究内容与思路 | 第16-17页 |
| 1.4 论文安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 基本理论及相关技术 | 第19-37页 |
| 2.1 在线广告介绍 | 第19-25页 |
| 2.1.1 在线广告系统组成 | 第19-20页 |
| 2.1.2 广告竞价机制与广告交易平台 | 第20-21页 |
| 2.1.3 需求方平台与个性化重定向 | 第21-24页 |
| 2.1.4 在线广告核心问题 | 第24-25页 |
| 2.2 Hadoop | 第25-29页 |
| 2.3 Spark | 第29-32页 |
| 2.4 点击率(CTR)预估技术 | 第32-36页 |
| 2.4.1 逻辑回归模型 | 第32-34页 |
| 2.4.2 FM模型 | 第34页 |
| 2.4.3 FTRL模型 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 广告指标离线与实时计算的设计与实现 | 第37-56页 |
| 3.1 引言 | 第37页 |
| 3.2 个性化广告系统总体架构设计 | 第37-40页 |
| 3.3 离线指标计算设计 | 第40-47页 |
| 3.3.1 MapReduce处理原始广告日志 | 第41-43页 |
| 3.3.2 统计不去重的广告基础指标 | 第43-44页 |
| 3.3.3 统计去重的广告基础指标 | 第44-46页 |
| 3.3.4 用户信息相关统计 | 第46页 |
| 3.3.5 Hive统计新增指标 | 第46-47页 |
| 3.4 实时指标计算 | 第47-51页 |
| 3.4.1 实时统计基本架构 | 第47-50页 |
| 3.4.2 维度+度量值统计方式 | 第50-51页 |
| 3.5 统计结果保存 | 第51-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第4章 广告点击率预估算法的设计 | 第56-68页 |
| 4.1 CTR预估技术与优化算法 | 第56-58页 |
| 4.2 利用逻辑回归模型进行点击率预估 | 第58-59页 |
| 4.3 基于FTRL的在线学习算法 | 第59-67页 |
| 4.3.1 在线学习算法的优势与价值 | 第59-60页 |
| 4.3.2 在线最优化算法的比较 | 第60-63页 |
| 4.3.3 FTRL算法原理 | 第63-66页 |
| 4.3.4 算法设计与流程 | 第66-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 实验结果和分析 | 第68-78页 |
| 5.1 实验环境与数据集准备 | 第68-69页 |
| 5.2 特征提取与处理 | 第69-72页 |
| 5.3 点击率预估评估指标 | 第72页 |
| 5.4 模型衡量标准及模型对比 | 第72-76页 |
| 5.4.1 AUC指标 | 第72-73页 |
| 5.4.2 训练时间对比 | 第73-74页 |
| 5.4.3 参数敏感性 | 第74-75页 |
| 5.4.4 可扩展性 | 第75页 |
| 5.4.5 线上测试 | 第75-76页 |
| 5.5 本章小结 | 第76-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 本文工作总结 | 第78页 |
| 6.2 本文工作展望 | 第78-80页 |
| 参考文献 | 第80-83页 |
| 攻读硕士学位期间主要的研究成果 | 第83-84页 |
| 致谢 | 第84页 |
