移動(dòng)廣告點(diǎn)擊率預(yù)測(cè)方法的研究與實(shí)現(xiàn).pdf

1、點(diǎn)擊率預(yù)測(cè)是在線廣告中的核心問(wèn)題之一，其預(yù)測(cè)結(jié)果直接影響著搜索引擎、社交平臺(tái)等中間平臺(tái)以及廣告商的收益。傳統(tǒng)基于PC端廣告的點(diǎn)擊率預(yù)測(cè)模型已經(jīng)較為成熟，但隨著無(wú)線互聯(lián)網(wǎng)時(shí)代的到來(lái)，移動(dòng)廣告點(diǎn)擊率預(yù)測(cè)模型仍沿用傳統(tǒng)PC端模型。因?yàn)橐苿?dòng)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(dòng)廣告和PC端廣告在數(shù)據(jù)特征和預(yù)測(cè)模型的應(yīng)用上也存在差異。
　　因此，本文針對(duì)移動(dòng)廣告的點(diǎn)擊率預(yù)測(cè)進(jìn)行了研究，主要工作如下:
　　1、在分析移

2、動(dòng)廣告與PC端廣告的差異性和移動(dòng)廣告特征的基礎(chǔ)上，選取具有代表性的特征并提取了以時(shí)間為基礎(chǔ)的移動(dòng)端用戶偏好特征。
　　2、研究實(shí)現(xiàn)了基于梯度提升決策樹(shù)與Field-aware因式分解機(jī)融合的點(diǎn)擊率預(yù)測(cè)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(shù)發(fā)現(xiàn)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(jī)模型在處理稀疏數(shù)據(jù)和多值分類特征間的潛在關(guān)系方面的優(yōu)勢(shì)對(duì)移動(dòng)廣告點(diǎn)擊率進(jìn)行預(yù)測(cè)。在Avazu數(shù)據(jù)集和Criteo數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與利用梯度提升決策樹(shù)和其他基本模型融合的模型相比，所提出的FFM++模型在預(yù)測(cè)效果上表現(xiàn)突出。
　　3、研究實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的點(diǎn)擊率預(yù)測(cè)模型(Reinforcement Learning Backpropagation Neural Ne

4、tworks，RBP)。神經(jīng)網(wǎng)絡(luò)具有良好的非線性擬合能力，但不善于處理經(jīng)one-hot編碼后的多值分類特征;強(qiáng)化學(xué)習(xí)通過(guò)實(shí)際系統(tǒng)學(xué)習(xí)經(jīng)驗(yàn)來(lái)調(diào)整策略，是一個(gè)逐漸逼近最優(yōu)策略的過(guò)程。因此本文提出了將基于Field-aware因式分解機(jī)改進(jìn)的神經(jīng)網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)結(jié)合的RBP模型，該模型首先利用學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)對(duì)輸入進(jìn)行映射，然后經(jīng)神經(jīng)網(wǎng)絡(luò)修改后的Q-learning算法對(duì)網(wǎng)絡(luò)的輸出結(jié)果給出一個(gè)合理的評(píng)價(jià)，最后將評(píng)價(jià)結(jié)果提交給網(wǎng)絡(luò)用以調(diào)整神經(jīng)網(wǎng)絡(luò)