本文選題：實(shí)時(shí)競(jìng)價(jià) + 點(diǎn)擊率預(yù)測(cè)�。� 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展及廣泛普及,越來越多的廣告活動(dòng)逐漸從線下轉(zhuǎn)換到線上。目前,互聯(lián)網(wǎng)廣告中的展示廣告的一種主要投放渠道是通過實(shí)時(shí)競(jìng)價(jià)系統(tǒng)(Real Time Biding,RTB)投放。在RTB中,需求方平臺(tái)需要對(duì)每個(gè)到來的廣告曝光機(jī)會(huì),按照廣告活動(dòng)投放規(guī)則計(jì)算其競(jìng)標(biāo)價(jià)格,競(jìng)標(biāo)價(jià)格將直接決定該廣告是否能被投放,因此是RTB中的一個(gè)關(guān)鍵問題。作為一種新穎的廣告投放方式,RTB中的許多關(guān)鍵算法還存在較大的優(yōu)化空間,本論文將針對(duì)面向展示廣告的實(shí)時(shí)競(jìng)價(jià)系統(tǒng),特別是其中的出價(jià)問題展開研究。本論文首先針對(duì)預(yù)算受限下的出價(jià)問題展開研究,將其建模為一個(gè)預(yù)算約束受限下的收益最優(yōu)化問題,然后分別針對(duì)其中的點(diǎn)擊率預(yù)測(cè)模型以及預(yù)算管理框架下的出價(jià)函數(shù)兩方面展開研究。在點(diǎn)擊率預(yù)測(cè)模型方面,本論文提出一個(gè)基于張量和深度學(xué)習(xí)的點(diǎn)擊率預(yù)測(cè)模型,該模型首先將點(diǎn)擊率預(yù)測(cè)涉及到的三個(gè)方面的特征建立為三階張量,通過笛卡爾乘積得到三元特征組合;然后利用多項(xiàng)式回歸方法學(xué)習(xí)每個(gè)特征的隱含向量和權(quán)重;最后利用學(xué)習(xí)得到的隱含向量和單個(gè)特征的權(quán)重作為深度神經(jīng)網(wǎng)絡(luò)的輸入,重新基于訓(xùn)練集學(xué)習(xí)點(diǎn)擊率預(yù)測(cè)模型。在RTB的出價(jià)算法和預(yù)算管理方面,本論文設(shè)計(jì)了一個(gè)基于歷史成交價(jià)格和失敗競(jìng)標(biāo)價(jià)格的中標(biāo)率預(yù)測(cè)模型,從而有效提升了需求方平臺(tái)出價(jià)算法的有效性。此外考慮到每個(gè)廣告活動(dòng)在其投放周期內(nèi)的預(yù)算有限,為了使得廣告活動(dòng)在每個(gè)時(shí)段都能平滑地投放,本論文還設(shè)計(jì)了一個(gè)基于時(shí)段廣告流量和中標(biāo)率的廣告預(yù)算的預(yù)分配和實(shí)時(shí)調(diào)整方案。點(diǎn)擊率預(yù)測(cè)模型在iPinYou的數(shù)據(jù)集上對(duì)提出的點(diǎn)擊率預(yù)測(cè)模型進(jìn)行了性能評(píng)估,并將其與目前主要的預(yù)測(cè)模型的性能進(jìn)行了對(duì)比分析,結(jié)果表明本文提出的預(yù)測(cè)模型的AUC指標(biāo)比因子分解機(jī)的預(yù)測(cè)提升了2.7%,比邏輯回歸預(yù)測(cè)提升了3.8%。而基于iPinYou的大規(guī)模實(shí)驗(yàn)表明,按照本文提出的中標(biāo)率預(yù)測(cè)模型的出價(jià)算法,其獲得的用戶點(diǎn)擊數(shù)比提升了2.8%。在本文提出的預(yù)算管理框架下,用戶點(diǎn)擊數(shù)比不采用預(yù)算管理提升了8%。
[Abstract]:With the rapid development and widespread popularity of Internet technology, more and more advertising activities are gradually converted from line to line. At present, the main channel of display advertising in Internet advertising is to put in the Real Time Biding (RTB). In RTB, the demand side platform needs every coming advertisement exposure machine. It is a key problem in RTB. As a new way of advertising, many key algorithms in RTB still have larger optimization space. This paper will be aimed at real time bidding for display advertising. This paper first studies the bidding problem under budget constraints, and model it into a revenue optimization problem with limited budget constraints, and then studies the two aspects of the click rate forecasting model and the price function under the framework of budget management. In this paper, a clicking rate prediction model based on tensor and depth learning is proposed in this paper. First, the three characteristics of click rate prediction are set up as three order tensors, and the combination of three element features is obtained by Descartes product. Then the implicit vector of each feature is learned by multi term regression method. Finally, using the implicit vector of learning and the weight of a single feature as the input of the deep neural network, we re based on the learning click rate prediction model of the training set. In the RTB bidding algorithm and budget management, this paper designs a prediction model based on the rate of history transaction price and the failure bid price. It effectively improves the effectiveness of the demand side platform bid algorithm. In addition, considering the limited budget of each advertising campaign in its launch cycle, in order to make the advertising activities put smoothly at every time period, this paper also designs a pre allocation and real-time adjustment scheme based on the traffic and the rate of bid rate. The clicking rate prediction model performs a performance evaluation on the proposed click rate prediction model on the iPinYou data set, and compares it with the performance of the main prediction model. The results show that the prediction model proposed in this paper has been improved by 2.7% compared with the factor decomposer, which is better than the logical regression prediction by 3.8%.. And that large-scale experiments based on iPinYou, according to the bidding algorithm proposed in this paper the successful rate prediction model, the user clicks than to enhance the budget management framework 2.8%. is proposed in this paper, the user clicks the 8%. is raised by not using budget management
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F713.8;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王文蓮;張志宇;;預(yù)測(cè)模型智能選擇的探討[J];中國(guó)管理信息化;2006年02期

2 師瑞峰;周一民;;基于數(shù)據(jù)挖掘的人口數(shù)據(jù)預(yù)測(cè)模型綜述[J];計(jì)算機(jī)工程與應(yīng)用;2008年09期

3 姚光圻;趙榮黎;;場(chǎng)強(qiáng)預(yù)測(cè)模型分析及應(yīng)用[J];移動(dòng)通訊裝備;1987年05期

4 唐蕓,秦秀華,蘇杰南;一種簡(jiǎn)易預(yù)測(cè)模型的應(yīng)用[J];林業(yè)調(diào)查規(guī)劃;2002年02期

5 吳學(xué)雁;辜敏;漆晨曦;;綜合運(yùn)用各種建模方法提高預(yù)測(cè)模型的準(zhǔn)確度[J];廣東通信技術(shù);2006年06期

6 張飛飛;吳杰;呂智慧;;云計(jì)算資源管理中的預(yù)測(cè)模型綜述[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年09期

7 廖燦平,柳玉柏;科技期刊發(fā)行量的灰色預(yù)測(cè)模型[J];編輯學(xué)報(bào);1990年04期

8 劉曉雁,方憶岡;“讀者需求”預(yù)測(cè)模型[J];晉圖學(xué)刊;1997年02期

9 張慧敏;宋東;郭勇;王彥松;;故障預(yù)測(cè)模型的評(píng)價(jià)方法研究[J];測(cè)控技術(shù);2013年05期

10 謝開貴,何斌,鄭繼明;灰色預(yù)測(cè)模型建模方法探討[J];重慶郵電學(xué)院學(xué)報(bào);1998年03期

相關(guān)會(huì)議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預(yù)測(cè)[A];第九屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的服務(wù)業(yè)發(fā)展預(yù)測(cè)模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預(yù)測(cè)模型的選擇及其智能化實(shí)現(xiàn)[A];科學(xué)決策與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第六次年會(huì)論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機(jī)的預(yù)測(cè)模型及應(yīng)用[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

5 李陽(yáng)旭;鄧輝文;;一種新的企業(yè)市場(chǎng)預(yù)測(cè)模型及其比較研究[A];2004年中國(guó)管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟(jì)、人口、能源、環(huán)境綜合系統(tǒng)預(yù)測(cè)模型及應(yīng)用[A];中國(guó)城市建設(shè)與環(huán)境保護(hù)實(shí)踐——城市建設(shè)與環(huán)境保護(hù)學(xué)術(shù)研討會(huì)論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角科技論壇——?dú)庀罂萍及l(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預(yù)測(cè)模型[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第十三屆學(xué)術(shù)年會(huì)論文集[C];2007年

10 肖會(huì)敏;樊為剛;;基于神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 劉慶;“預(yù)測(cè)模型”要緩行[N];網(wǎng)絡(luò)世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設(shè)計(jì)價(jià)格預(yù)測(cè)模型見成效[N];中國(guó)石油報(bào);2010年

3 南方日?qǐng)?bào)記者 彭琳　實(shí)習(xí)生 周鵬程;預(yù)測(cè)世界杯之外 大數(shù)據(jù)還能做什么[N];南方日?qǐng)?bào);2014年

4 本報(bào)記者 張超;預(yù)測(cè)模型：推算SARS起落潮[N];科技日?qǐng)?bào);2003年

5 施衛(wèi)康;全面預(yù)算管理讓企業(yè)更上層樓[N];中國(guó)交通報(bào);2005年

6 李超 王明 張祖輝;礦長(zhǎng)眼中的全面預(yù)算管理[N];中國(guó)黃金報(bào);2003年

7 張儒琳;不要妖魔化全面預(yù)算管理軟件的作用[N];經(jīng)理日?qǐng)?bào);2007年

8 風(fēng)痕;全面預(yù)算管理軟件市場(chǎng)將達(dá)到295.41億元[N];大眾科技報(bào);2008年

9 ;全面預(yù)算管理軟件市場(chǎng)將進(jìn)入井噴期[N];財(cái)會(huì)信報(bào);2008年

10 非凡;全面預(yù)算管理軟件市場(chǎng)將達(dá)到295.41億元[N];民營(yíng)經(jīng)濟(jì)報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 夏穎;WLAN室內(nèi)半監(jiān)督定位及指紋更新算法研究[D];哈爾濱工業(yè)大學(xué);2016年

2 師懿;城市交通規(guī)劃環(huán)評(píng)中空氣污染預(yù)測(cè)模型研究[D];中國(guó)地質(zhì)大學(xué);2015年

3 張麗;牦牛肉用品質(zhì)特性及近紅外預(yù)測(cè)模型和產(chǎn)量等級(jí)系統(tǒng)的研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

4 王菲;肉牛飼料有效能值預(yù)測(cè)模型的建立與評(píng)價(jià)[D];中國(guó)農(nóng)業(yè)大學(xué);2016年

5 文江平;農(nóng)村地區(qū)成人2型糖尿病發(fā)生風(fēng)險(xiǎn)相關(guān)生物標(biāo)志物的篩選及預(yù)測(cè)模型的建立[D];中國(guó)人民解放軍醫(yī)學(xué)院;2016年

6 白云鵬;華法林穩(wěn)態(tài)劑量預(yù)測(cè)模型在瓣膜置換術(shù)后抗凝治療中的應(yīng)用[D];天津醫(yī)科大學(xué);2016年

7 孫鵬;風(fēng)電機(jī)組狀態(tài)異常辨識(shí)廣義模型與運(yùn)行風(fēng)險(xiǎn)評(píng)估方法研究[D];重慶大學(xué);2016年

8 馬新;基于灰色系統(tǒng)與核方法的油藏動(dòng)態(tài)預(yù)測(cè)方法研究[D];西南石油大學(xué);2016年

9 付中濤;基于切削力預(yù)測(cè)模型的復(fù)雜曲面銑削進(jìn)給速度優(yōu)化研究[D];華中科技大學(xué);2015年

10 王慧;胸外科患者術(shù)后慢性疼痛預(yù)測(cè)模型的建立[D];北京協(xié)和醫(yī)學(xué)院;2014年

相關(guān)碩士學(xué)位論文 前10條

1 李佩倫;實(shí)時(shí)競(jìng)價(jià)系統(tǒng)中出價(jià)算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2017年

2 田正東;基于子空間分析的DOA估計(jì)算法研究[D];南京郵電大學(xué);2017年

3 趙程檐;花授粉算法的研究及應(yīng)用[D];廣西民族大學(xué);2017年

4 葉曉平;高階多模型狀態(tài)估計(jì)算法及應(yīng)用[D];哈爾濱工業(yè)大學(xué);2017年

5 韋陽(yáng)陽(yáng);兩類廣義多乘積規(guī)劃問題的優(yōu)化算法[D];河南師范大學(xué);2017年

6 李曉萍;有約束條件優(yōu)化問題的MM算法[D];蘭州大學(xué);2017年

7 李全;游客行程多目標(biāo)智能規(guī)劃算法研究[D];電子科技大學(xué);2017年

8 張亞男;基于混合聚類算法的微博熱點(diǎn)話題發(fā)現(xiàn)的研究[D];杭州電子科技大學(xué);2017年

9 曹楊芹;惡意節(jié)點(diǎn)攻擊下的基于RSS測(cè)量值的壓縮感知定位算法[D];南京郵電大學(xué);2017年

10 鄒柯;無線傳感器網(wǎng)絡(luò)定位算法及其安全研究[D];杭州電子科技大學(xué);2017年

，

本文編號(hào)：2045158