| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·论文研究的内容和意义 | 第11-12页 |
| ·研究内容 | 第11-12页 |
| ·研究意义 | 第12页 |
| ·论文章节安排 | 第12-14页 |
| 第二章 在线广告介绍 | 第14-23页 |
| ·在线广告的概述 | 第14-15页 |
| ·在线广告的含义 | 第14页 |
| ·在线广告的发展 | 第14页 |
| ·常见的计价方式 | 第14-15页 |
| ·常见的广告形式 | 第15页 |
| ·在线广告的常用方法 | 第15-18页 |
| ·搜索广告 | 第16-17页 |
| ·内容匹配广告 | 第17-18页 |
| ·广告定向投放概述 | 第18-23页 |
| ·广告定向投放有三个主要任务 | 第19页 |
| ·广告定向投放的常用方法 | 第19-20页 |
| ·行为定向广告投放面临的挑战和关键技术 | 第20-23页 |
| 第三章 个性化广告点击率预测的需求分析与总体设计 | 第23-29页 |
| ·个性化广告点击率预测需求分析 | 第23-25页 |
| ·应用背景 | 第23页 |
| ·功能性需求分析 | 第23-24页 |
| ·非功能性需求分析 | 第24-25页 |
| ·个性化广告点击率预测总体设计 | 第25-29页 |
| 第四章 L1-正则化的Logistic regression分布式优化方法 | 第29-40页 |
| ·Logistic Regression模型 | 第29-30页 |
| ·Logistic Regression模型介绍 | 第29-30页 |
| ·Logisitc Regression模型最优化计算 | 第30页 |
| ·优化方法概述 | 第30-33页 |
| ·梯度下降优化方法介绍 | 第31-32页 |
| ·L-BFGS优化方法介绍 | 第32-33页 |
| ·传统单进程的模型训练过程 | 第33页 |
| ·分布式优化方法 | 第33-39页 |
| ·分布式搜索方向方法 | 第34页 |
| ·混合权重方法 | 第34-36页 |
| ·ADMM方法 | 第36-37页 |
| ·实验分析及算法改进 | 第37-39页 |
| ·GPU探索 | 第39-40页 |
| 第五章 个性化广告点击率预测的设计和实现 | 第40-59页 |
| ·广告预过滤模块 | 第40-45页 |
| ·用户层级类目偏好计算 | 第40-44页 |
| ·广告预过滤 | 第44-45页 |
| ·User Profile生成器 | 第45-49页 |
| ·用户话题偏好模块 | 第49-55页 |
| ·用户话题偏好模型训练 | 第49-52页 |
| ·用户话题偏好计算 | 第52-55页 |
| ·广告点击率预测 | 第55-59页 |
| 第六章 总结和展望 | 第59-62页 |
| ·总结 | 第59-60页 |
| ·未来工作展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |