| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究状况 | 第10-13页 |
| 1.2.1 基于传统机器学习的点击率预测的国内外研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的点击率预测的国内外研究现状 | 第12-13页 |
| 1.3 问题定义和主要研究内容 | 第13-14页 |
| 1.4 本文的内容安排 | 第14-15页 |
| 第2章 实验数据集介绍和数据预处理 | 第15-24页 |
| 2.1 研究问题 | 第15-17页 |
| 2.2 数据集介绍 | 第17-18页 |
| 2.3 特征提取 | 第18-20页 |
| 2.3.1 独热编码 | 第18-19页 |
| 2.3.2 历史点击特征 | 第19页 |
| 2.3.3 相似性特征 | 第19-20页 |
| 2.3.4 广告位置特征 | 第20页 |
| 2.4 特征选择 | 第20-21页 |
| 2.5 模型的评价指标 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于传统机器学习模型的广告点击率预测 | 第24-37页 |
| 3.1 引言 | 第24页 |
| 3.2 逻辑斯蒂回归模型 | 第24-26页 |
| 3.3 因子分解机模型 | 第26-28页 |
| 3.4 随机森林模型 | 第28-31页 |
| 3.5 梯度提升决策树模型 | 第31-33页 |
| 3.6 实验设计与结果分析 | 第33-36页 |
| 3.6.1 实验设计 | 第33-35页 |
| 3.6.2 实验结果与分析 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 基于卷积神经网络相似度特征的点击率预测 | 第37-53页 |
| 4.1 引言 | 第37页 |
| 4.2 词向量生成技术 | 第37-40页 |
| 4.3 卷积神经网络及相关技术介绍 | 第40-47页 |
| 4.3.1 神经网络 | 第40-41页 |
| 4.3.2 反向传播算法 | 第41-42页 |
| 4.3.3 Dropout | 第42-43页 |
| 4.3.4 BatchNormalization | 第43-44页 |
| 4.3.5 卷积神经网络 | 第44-46页 |
| 4.3.6 暹罗网络 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-52页 |
| 4.4.2 实验设计 | 第48-50页 |
| 4.4.3 实验结果 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于循环神经网络相似度特征的点击率预测 | 第53-66页 |
| 5.1 引言 | 第53页 |
| 5.2 循环神经网络 | 第53-56页 |
| 5.3 长短期记忆单元网络 | 第56-57页 |
| 5.4 门控循环单元 | 第57-59页 |
| 5.5 双向循环神经网络模型 | 第59-60页 |
| 5.6 融合注意力机制的循环神经网络的相似度研究 | 第60-63页 |
| 5.6.1 注意力机制 | 第60-61页 |
| 5.6.2 Encoder-Decoder机制 | 第61-62页 |
| 5.6.3 基于静态注意力机制的相似度特征提取 | 第62页 |
| 5.6.4 基于动态注意力机制的相似度特征提取 | 第62-63页 |
| 5.7 实验设计与结果 | 第63-65页 |
| 5.7.1 基线模型和实验设计 | 第63-64页 |
| 5.7.2 实验结果 | 第64-65页 |
| 5.8 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74页 |