移動廣告點擊率預測方法的研究與實現.pdf

1、點擊率預測是在線廣告中的核心問題之一，其預測結果直接影響著搜索引擎、社交平臺等中間平臺以及廣告商的收益。傳統(tǒng)基于PC端廣告的點擊率預測模型已經較為成熟，但隨著無線互聯網時代的到來，移動廣告點擊率預測模型仍沿用傳統(tǒng)PC端模型。因為移動終端使用環(huán)境、廣告展示形式等與PC端有諸多不同，所以移動廣告和PC端廣告在數據特征和預測模型的應用上也存在差異。
　　因此，本文針對移動廣告的點擊率預測進行了研究，主要工作如下:
　　1、在分析移

2、動廣告與PC端廣告的差異性和移動廣告特征的基礎上，選取具有代表性的特征并提取了以時間為基礎的移動端用戶偏好特征。
　　2、研究實現了基于梯度提升決策樹與Field-aware因式分解機融合的點擊率預測模型(Field-aware Factorization Machine Based on Gradient Boosting Decision Tree,FFM++)。FFM++模型首先利用梯度提升決策樹發(fā)現多種有區(qū)分性的特征以及特

3、征組合，然后利用Field-aware因式分解機模型在處理稀疏數據和多值分類特征間的潛在關系方面的優(yōu)勢對移動廣告點擊率進行預測。在Avazu數據集和Criteo數據集上的實驗結果表明，與利用梯度提升決策樹和其他基本模型融合的模型相比，所提出的FFM++模型在預測效果上表現突出。
　　3、研究實現了基于神經網絡和強化學習的點擊率預測模型(Reinforcement Learning Backpropagation Neural Ne

4、tworks，RBP)。神經網絡具有良好的非線性擬合能力，但不善于處理經one-hot編碼后的多值分類特征;強化學習通過實際系統(tǒng)學習經驗來調整策略，是一個逐漸逼近最優(yōu)策略的過程。因此本文提出了將基于Field-aware因式分解機改進的神經網絡與強化學習結合的RBP模型，該模型首先利用學習好的神經網絡對輸入進行映射，然后經神經網絡修改后的Q-learning算法對網絡的輸出結果給出一個合理的評價，最后將評價結果提交給網絡用以調整神經網絡