基于用戶(hù)特征的搜索廣告點(diǎn)擊率預(yù)測(cè)研究.pdf

1、隨著互聯(lián)網(wǎng)科學(xué)技術(shù)的飛速發(fā)展，投放互聯(lián)網(wǎng)廣告已在全球范圍內(nèi)形成趨勢(shì)。搜索廣告作為搜索引擎的主要收入來(lái)源，成為了近年來(lái)在線(xiàn)廣告領(lǐng)域的研究熱點(diǎn)，而預(yù)測(cè)搜索廣告的點(diǎn)擊率是這一研究方向的核心問(wèn)題。用戶(hù)在與搜索引擎交互的過(guò)程中生成了許多日志信息，本文從這些信息中提取特征建立特征體系。綜合已有預(yù)測(cè)模型的優(yōu)勢(shì)特性，提出基于排名因子的融合技術(shù)，將其應(yīng)用于點(diǎn)擊率預(yù)測(cè)。
　　針對(duì)淺層模型學(xué)習(xí)能力不足的問(wèn)題提出基于深度神經(jīng)網(wǎng)絡(luò)的點(diǎn)擊率模型。本文圍繞點(diǎn)擊

2、率相關(guān)特征，建立高影響因子的特征體系，采用隱含狄利克雷分配(Latent dirichlet allocation，LDA)對(duì)用戶(hù)查詢(xún)?cè)~進(jìn)行主題詞提取，并定義相似性特征、統(tǒng)計(jì)特征提取方法。然后，分別建立了預(yù)測(cè)廣告點(diǎn)擊率的淺層學(xué)習(xí)模型在線(xiàn)貝葉斯概率模型和邏輯回歸模型，根據(jù)兩種模型在不同數(shù)據(jù)集中的差異表現(xiàn)分析模型優(yōu)勢(shì)和劣勢(shì)。結(jié)合在線(xiàn)貝葉斯概率模型在處理缺失信息方面的優(yōu)勢(shì)和邏輯回歸模型對(duì)特征的敏感性的特點(diǎn)，提出了基于廣告排名的融合技術(shù)。最后，

3、針對(duì)淺層模型學(xué)習(xí)能力的不足的問(wèn)題，在人工神經(jīng)網(wǎng)絡(luò)和反向傳播神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上選取sigmoid函數(shù)作為激活函數(shù)，提出多層次深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建方法，控制模型預(yù)測(cè)的誤差范圍，提高點(diǎn)擊率預(yù)測(cè)的準(zhǔn)確率。
　　本文將騰訊搜搜廣告日志作為數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行了特點(diǎn)描述和統(tǒng)計(jì)分析。實(shí)驗(yàn)結(jié)果表明，本文基于LDA模型提取的用戶(hù)特征對(duì)廣告點(diǎn)擊率預(yù)測(cè)有較大影響，文中提出的融合模型相比淺層單一模型預(yù)測(cè)效果有顯著的提高，深度神經(jīng)網(wǎng)絡(luò)模型較邏輯回歸模型具有更