進(jìn)入二十一世紀(jì)后,計(jì)算機(jī)科學(xué)技術(shù)和信息通信技術(shù)的飛快發(fā)展使得互聯(lián)網(wǎng)行業(yè)獲得了迅猛和長(zhǎng)足的進(jìn)步。與此同時(shí),各種實(shí)體行業(yè)開始與互聯(lián)網(wǎng)緊密結(jié)合起來,互聯(lián)網(wǎng)廣告作為一種全新的廣告形式在這種情況下應(yīng)運(yùn)而生�；ヂ�(lián)網(wǎng)廣告有著巨大的商業(yè)價(jià)值,因?yàn)樗梢酝瑫r(shí)為互聯(lián)網(wǎng)廣告平臺(tái)、制作廣告的廣告商和需要投放廣告的電子商務(wù)公司帶來巨大的收益。而互聯(lián)網(wǎng)點(diǎn)擊率(CTR)可以用來直接衡量廣告的受歡迎程度,直接顯示了被用戶觀看的次數(shù),并且廣告平臺(tái)所獲得的收益為單次點(diǎn)擊費(fèi)用率和點(diǎn)擊率的乘積。因此,準(zhǔn)確地預(yù)估廣告點(diǎn)擊率是對(duì)廣告媒介、互聯(lián)網(wǎng)平臺(tái)和電子商務(wù)公司三方都有利的事情。本文在對(duì)有關(guān)互聯(lián)網(wǎng)廣告點(diǎn)擊率(CTR)預(yù)估的研究成果進(jìn)行了歸納和總結(jié)之后,對(duì)互聯(lián)網(wǎng)廣告相關(guān)的概念以及相關(guān)模式進(jìn)行了系統(tǒng)性研究,這將有助于后續(xù)的相關(guān)理論研究和實(shí)際應(yīng)用的開展;繼而,本文對(duì)廣告點(diǎn)擊率相關(guān)的問題進(jìn)行了分析,整合了相關(guān)的特征屬性和因素,對(duì)相關(guān)的模型進(jìn)行歸納分析;最后,本文將遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于互聯(lián)網(wǎng)廣告點(diǎn)擊率的預(yù)測(cè)上,并測(cè)試其效果。本文主要做了以下四個(gè)方面的工作:(1)對(duì)互聯(lián)網(wǎng)廣告點(diǎn)擊率預(yù)測(cè)問題進(jìn)行了詳細(xì)的分析并提出了預(yù)測(cè)問題解決的流程。首... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

搜索引擎搜索示意圖

沈陽工業(yè)大學(xué)碩士學(xué)位論文16所以，廣告媒介只有通過提高點(diǎn)擊率（CTR）來提高收入，同時(shí)CTR還是廣告效果的評(píng)價(jià)指標(biāo)，廣告商也希望提高CTR來使自己利益最大化。一般情況下，在對(duì)廣告點(diǎn)擊率進(jìn)行預(yù)估時(shí)，可以分為以下步驟：（1）第一點(diǎn)要確定預(yù)測(cè)的方法和總體思路，包括特征的提取方案、點(diǎn)擊率的預(yù)測(cè)算法以及后續(xù)進(jìn)行的實(shí)驗(yàn)環(huán)境等；（2）搜集相關(guān)的廣告日志數(shù)據(jù)，根據(jù)特征提取的方案，提取相關(guān)的特征；（3）使用算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，同時(shí)設(shè)置測(cè)試集數(shù)據(jù)作為預(yù)測(cè)方案；（4）對(duì)算法模型的預(yù)測(cè)結(jié)果做相關(guān)評(píng)價(jià)，分析模型的可用性和預(yù)測(cè)效果，對(duì)廣告點(diǎn)擊率預(yù)測(cè)模型進(jìn)行修正，以提高后續(xù)預(yù)測(cè)效果。2.3相關(guān)模型介紹2.3.1人工神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)被稱為人工神經(jīng)網(wǎng)絡(luò)，即ArtificialNeuralNetwork，縮寫為ANN，簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，在20世紀(jì)四十年代被提出，這是一種模仿動(dòng)物的神經(jīng)元結(jié)構(gòu)和功能的數(shù)學(xué)模型，它常常被用于對(duì)數(shù)值進(jìn)行預(yù)測(cè)估計(jì)或者做分類處理。以下是介紹神經(jīng)網(wǎng)絡(luò)算法的發(fā)展：（1）從邏輯回歸到神經(jīng)元圖2.2單個(gè)神經(jīng)元結(jié)構(gòu)圖Fig.2.2Singleneuronstructurediagram根據(jù)圖2.2可以看出神經(jīng)網(wǎng)絡(luò)的單個(gè)神經(jīng)元其實(shí)就是一個(gè)邏輯回歸模型，根據(jù)上圖的結(jié)構(gòu)可以看到邏輯回歸可以分為線性變換部分與非線性變換部分。所以只有輸入層與輸出層且輸出層只有一個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)便于邏輯回歸一致。只不過在神

第2章相關(guān)概念及理論基礎(chǔ)17經(jīng)網(wǎng)絡(luò)中，線性變換（求和）與非線性變換被集成在一個(gè)神經(jīng)元（隱藏層或輸出層）中。如下圖2.3所示：圖2.3單個(gè)神經(jīng)元線性變換圖Fig.2.3Lineartransformationgraphofsingleneuron（2）從人工神經(jīng)元到人工神經(jīng)網(wǎng)絡(luò)多個(gè)人工神經(jīng)元組成的多元非線性結(jié)構(gòu)，被人稱為人工神經(jīng)網(wǎng)絡(luò)，即ANN，也被稱為多層感知機(jī)，即MultilayerPerceptron，縮寫為MLP。人工神經(jīng)網(wǎng)絡(luò)除了輸入輸出層，它中間可以有多個(gè)隱層（即下圖的第二層或者中間那層）。多層感知機(jī)每個(gè)隱藏層神經(jīng)元或者輸出層神經(jīng)元的值（激活值），都是由上一層神經(jīng)元，經(jīng)過加權(quán)求和與非線性變換而得到的。其中非線性變換函數(shù)（又被稱為激活函數(shù)）通常是sigmoid函數(shù)。其中最為簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)，也就是多層感知機(jī)，即如圖2.4所示。圖2.4三層神經(jīng)網(wǎng)絡(luò)圖Fig.2.4Diagramofthreelayerneuralnetwork而sigmoid函數(shù)形式為，輸出如圖2.5所示：


本文編號(hào)：2934579