| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 本文研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 搜索广告点击率预测的研究现状 | 第9-11页 |
| 1.2.2 深度学习的研究现状 | 第11-12页 |
| 1.3 问题的难点和本文的研究思路 | 第12-13页 |
| 1.4 本文内容安排 | 第13-15页 |
| 第2章 问题定义和特征提取 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 问题定义 | 第15-16页 |
| 2.3 数据预处理 | 第16-18页 |
| 2.4 特征提取 | 第18-23页 |
| 2.4.1 类别稀疏特征 | 第18-19页 |
| 2.4.2 历史点击率特征 | 第19页 |
| 2.4.3 相似度特征 | 第19-20页 |
| 2.4.4 位置信息特征 | 第20-21页 |
| 2.4.5 高影响力特征 | 第21页 |
| 2.4.6 词向量特征 | 第21-23页 |
| 2.5 计算实现 | 第23-25页 |
| 2.6 问题的评价指标 | 第25-26页 |
| 2.7 本章小结 | 第26-28页 |
| 第3章 基于深度神经网络模型的广告点击率预测 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 基于浅层学习模型的广告点击率预测 | 第28-32页 |
| 3.2.1 基于朴素贝叶斯模型的广告点击率预测 | 第28-29页 |
| 3.2.2 基于逻辑斯蒂回归模型的广告点击率预测 | 第29-30页 |
| 3.2.3 基于支持向量回归模型的广告点击率预测 | 第30-32页 |
| 3.3 深度神经网络模型 | 第32-36页 |
| 3.3.1 人工神经元模型 | 第32-33页 |
| 3.3.2 BP神经网络 | 第33-34页 |
| 3.3.3 深度神经网络模型 | 第34-36页 |
| 3.4 面向广告点击率预测的深度神经网络模型 | 第36-37页 |
| 3.5 实验评测 | 第37-44页 |
| 3.5.1 实验设置 | 第37页 |
| 3.5.2 实验结果与分析 | 第37-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于卷积神经网络模型的广告点击率预测 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 卷积神经网络模型 | 第45-50页 |
| 4.2.1 稀疏连接 | 第46-47页 |
| 4.2.2 权值共享 | 第47-48页 |
| 4.2.3 卷积层 | 第48-49页 |
| 4.2.4 亚采样层 | 第49页 |
| 4.2.5 全连接层 | 第49-50页 |
| 4.3 面向广告点击率预测的卷积神经网络模型 | 第50-51页 |
| 4.3.1 基于卷积神经网络的广告点击率预测模型结构 | 第50页 |
| 4.3.2 基于卷积神经网络的广告点击率预测过程 | 第50-51页 |
| 4.4 实验评测 | 第51-55页 |
| 4.4.1 实验设置 | 第51-52页 |
| 4.4.2 实验结果与分析 | 第52-55页 |
| 4.5 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |