發(fā)布時間：2018-02-09 16:50

  本文關(guān)鍵詞： 搜索廣告 點擊模型 可擴展分解機器 特征體系 CTR預(yù)估　出處：《浙江大學(xué)》2013年碩士論文　論文類型：學(xué)位論文

【摘要】：搜索廣告通過用戶的檢索行為觸發(fā)廣告的生成,是目前互聯(lián)網(wǎng)流量變現(xiàn)的主要模式之一。搜索引擎一般按照廣告的點擊率(Click-Through-Rate, CTR)和廣告的出價之積來篩選廣告,其中CTR預(yù)估是核心問題之一,它對搜索引擎的收入和用戶的體驗都有重大影響,點擊模型是預(yù)估CTR的主要方式。但是,由于搜索廣告數(shù)據(jù)量大,特征維度高且長尾現(xiàn)象明顯,目前大多數(shù)點擊率預(yù)估系統(tǒng)無法高效的在如此大量的稀疏且高維的數(shù)據(jù)上準(zhǔn)確預(yù)估CTR。因此設(shè)計恰當(dāng)?shù)奶卣黧w系,建立高效可擴展的點擊模型,并且利用在線優(yōu)化算法快速迭代成為急需解決的三個問題。本文的主要工作如下： 1.提出點擊率預(yù)估特征設(shè)計原則,基于此提出五組特征,包括從用戶,廣告,以及環(huán)境三個維度,由單特征到組合特征,統(tǒng)計特征等多粒度的特征集合； 2.設(shè)計了用作點擊模型的可擴展分解機器SFM,利用維度樹結(jié)構(gòu)將分解機器所基于的切片張量分解重構(gòu)成層次切片分解。由于利用了層次結(jié)構(gòu),不僅模型的空間復(fù)雜度大大下降而且方便了在線算法的設(shè)計,此外,借助于分解模型,模型能在長尾數(shù)據(jù)上更準(zhǔn)確的預(yù)估參數(shù),利用proximal gradient方法,在線工作集優(yōu)化算法能更快收斂。 3.基于真實搜索廣告日志數(shù)據(jù)進行了三組實驗來模擬線上CTR的預(yù)估,結(jié)果表明,CTR特征體系能夠有效提升模型對搜索廣告點擊率預(yù)估的準(zhǔn)確度,SFM相比FM能夠有效降低模型的存儲空間,online策略的工作集算法比batch策略能更快的收斂到局部最優(yōu)解,在點擊率預(yù)估方面,SFM在高頻和長尾搜索日志數(shù)據(jù)上的CTR預(yù)估準(zhǔn)確度以及排序能力均于好于作為基線模型的分解機器,Logistic Regression模型和User Browsing模型。
[Abstract]:Search advertising triggers the generation of advertisements through users' retrieval behavior, which is one of the main modes of Internet traffic realization at present. Search engines usually screen advertisements according to the click rate of advertisements and the product of advertising bids. CTR estimation is one of the core problems, which has a significant impact on search engine revenue and user experience. Click model is the main way to predict CTR. However, because of the large amount of search advertising data, the feature dimension is high and the phenomenon of long tail is obvious. At present, most click rate prediction systems can not predict CTRs accurately on such a large amount of sparse and high-dimensional data. Therefore, the appropriate feature system is designed to build an efficient and scalable click model. And the rapid iteration of online optimization algorithm has become the urgent need to solve three problems. The main work of this paper is as follows:. 1. The principle of feature design for the prediction of click rate is proposed. Based on this, five groups of features are proposed, including the multi-granularity feature set from user, advertisement and environment, from single feature to combinatorial feature and statistical feature. 2. The scalable decomposition machine SFMused as click-model is designed. The slice Zhang Liang based on the decomposition machine is decomposed into hierarchical slices by using dimension tree structure. Not only the space complexity of the model is greatly reduced, but also the design of the online algorithm is convenient. In addition, with the help of the decomposition model, the model can predict the parameters more accurately on the long tail data and use the proximal gradient method. The online working set optimization algorithm can converge faster. 3. Based on the real search advertising log data, three groups of experiments are carried out to simulate the online CTR prediction. The results show that the CTR feature system can effectively improve the accuracy of the model in predicting the click rate of search advertisements. Compared with FM, the working set algorithm of the model can effectively reduce the storage space of the model and converge to the local optimal solution faster than the batch strategy. The accuracy and sorting ability of CTR prediction on high frequency and long tail search log data are better than that of decomposition machine logistic Regression model and User Browsing model.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TP391.3

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 谷川;田喜平;;基于條件隨機場的漢語詞性標(biāo)注方法研究[J];安陽師范學(xué)院學(xué)報;2010年05期

2 黎星星;Building a better recommender system in E-commerce[J];Journal of Chongqing University;2003年01期

3 朱郁筱;呂琳媛;;推薦系統(tǒng)評價指標(biāo)綜述[J];電子科技大學(xué)學(xué)報;2012年02期

4 江愛朋;邵之江;方學(xué)毅;鄭小青;錢積新;;基于有限存儲的簡約空間序列二次規(guī)劃算法研究[J];電路與系統(tǒng)學(xué)報;2007年05期

5 于江德;樊孝忠;龐文博;余正濤;;基于條件隨機場的語義角色標(biāo)注(英文)[J];Journal of Southeast University(English Edition);2007年03期

6 侯治平;;用戶行為模式下電子商務(wù)網(wǎng)站個性化推薦研究[J];電腦與信息技術(shù);2011年04期

7 谷鈺;薛國明;;基于ACM在線評測推薦系統(tǒng)模型研究[J];電腦知識與技術(shù);2011年07期

8 劉兆興;張寧;李季明;;基于協(xié)同過濾和網(wǎng)絡(luò)結(jié)構(gòu)的個性化推薦算法[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2011年02期

9 王惠文;孫曉丹;;時序立體數(shù)據(jù)多元線性回歸建模方法[J];系統(tǒng)工程;2009年11期

10 顧桂定,王德人;成組Broyden修正矩陣的緊湊形式與成組記憶修正算法[J];高等學(xué)校計算數(shù)學(xué)學(xué)報;1998年02期

相關(guān)會議論文 前7條

1 王周宏;;符號幾何規(guī)劃的全局解方法[A];中國運籌學(xué)會第七屆學(xué)術(shù)交流會論文集（上卷）[C];2004年

2 劉中意;孫文瑜;;大型有界約束最優(yōu)化問題的子空間有限存儲BFGS算法(英文)[A];中國運籌學(xué)會第九屆學(xué)術(shù)交流會論文集[C];2008年

3 李在禾;;等式約束優(yōu)化的一個子空間算法的下降性質(zhì)(英文)[A];中國運籌學(xué)會第九屆學(xué)術(shù)交流會論文集[C];2008年

4 孫江明;李通化;;三維非負(fù)張量分解及其在反應(yīng)動力學(xué)中的應(yīng)用[A];第十屆全國計算(機)化學(xué)學(xué)術(shù)會議論文摘要集[C];2009年

5 ;An Analysis on the Personalized Recommendation Architecture of Mobile Commerce Application[A];第六屆（2011）中國管理學(xué)年會——管理科學(xué)與工程分會場論文集[C];2011年

6 ;COLLABORATIVE FILTERING RECOMMENDATION ALGORITHM BASED ON LOOK-AHEAD SELECTIVE SAMPLING[A];2006年中國機械工程學(xué)會年會暨中國工程院機械與運載工程學(xué)部首屆年會論文集[C];2006年

7 何賽克;王小捷;董遠(yuǎn);張韜政;白雪;;歸一化的鄰接類別方法在基于條件隨機場的中文分詞中的應(yīng)用[A];中國計算機語言學(xué)研究前沿進展（2007-2009）[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 張寅;個性化技術(shù)及其在數(shù)字圖書館中應(yīng)用的研究[D];浙江大學(xué);2009年

2 孫霖;人臉識別中的活體檢測技術(shù)研究[D];浙江大學(xué);2010年

3 陳偉;基于時序文本挖掘的新聞內(nèi)容理解與推薦技術(shù)研究[D];浙江大學(xué);2010年

4 錢偉中;基于判別式模型的蛋白質(zhì)互作用文本挖掘技術(shù)研究[D];電子科技大學(xué);2011年

5 劉浩;大規(guī)模非線性方程組和無約束優(yōu)化方法研究[D];南京航空航天大學(xué);2008年

6 吳強;基于聽覺感知與張量模型的魯棒語音特征提取方法研究[D];上海交通大學(xué);2010年

7 劉維;生物序列模式挖掘與識別算法的研究[D];南京航空航天大學(xué);2010年

8 鄭辛甜;丹酚酸B、丹酚酸A和黃芩苷的降解規(guī)律研究[D];浙江大學(xué);2011年

9 羅芳;意見挖掘中若干關(guān)鍵問題研究[D];武漢理工大學(xué);2011年

10 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 何瑩杰;個性化圖書信息服務(wù)技術(shù)研究[D];哈爾濱工程大學(xué);2010年

2 杜慧;張量和小波特征的洛倫茲度量學(xué)習(xí)及其應(yīng)用[D];大連理工大學(xué);2010年

3 何克勤;基于標(biāo)簽的推薦系統(tǒng)模型及算法研究[D];華東師范大學(xué);2011年

4 陳冰泉;面向農(nóng)產(chǎn)品信息的主題搜索引擎與信息推薦[D];華南理工大學(xué);2010年

5 徐愛武;互動問答系統(tǒng)中問題回答者推薦研究[D];浙江大學(xué);2011年

6 姜智堯;基于Java技術(shù)的個性化推薦系統(tǒng)與實現(xiàn)[D];吉林大學(xué);2011年

7 李高敏;基于協(xié)同過濾的教學(xué)資源個性化推薦技術(shù)的研究及應(yīng)用[D];北京交通大學(xué);2011年

8 劉繼慶;基于相關(guān)度和關(guān)聯(lián)屬性偏好的個性化推薦算法研究[D];大連理工大學(xué);2011年

9 楊葉坤;協(xié)同過濾技術(shù)在個性化資源推薦中的應(yīng)用研究[D];大連海事大學(xué);2011年

10 何秀娟;基于信任的協(xié)同過濾推薦模型研究[D];杭州電子科技大學(xué);2011年

，

本文編號：1498403