發(fā)布時間：2023-05-11 04:20

　　隨著無線通信技術的飛速發(fā)展,以智能手機、平板為代表的各類智能化移動終端的不斷普及,移動互聯(lián)網廣告行業(yè)得到了迅猛的發(fā)展,尤其是移動短視頻廣告。短視頻偏好率(Like-Through Rate,LTR)是衡量企業(yè)移動短視頻進行廣告投放效果的重要指標。通過對移動短視頻廣告的分析和預測,不僅能夠讓用戶瀏覽到自己喜歡的視頻,改善用戶體驗,還能輔助廣告主合理使用預算,將廣告精準傳遞給目標人群,同時提高移動媒體的網站收益。近年來,點擊率和偏好率預測等相關問題的研究已取得很大的進展。目前工業(yè)上應用最廣泛的預測方法是邏輯回歸(Logistic Regression,LR)。LR具有簡單、易于實現(xiàn)大規(guī)模實時并行處理等優(yōu)點,然而,線性模型的學習能力有限,無法捕獲高階特征所攜帶的信息,從而限制了LR的預測性能。而短視頻用戶偏好率預測往往面臨數(shù)據(jù)量大,數(shù)據(jù)特征維度多,數(shù)據(jù)多主題等問題,如何從不同主題、不同特征維度及特征組合中獲取有價值的高階信息對于短視頻提升廣告平臺價值是非常重要的�；谏鲜鰡栴},本文的主要研究內容如下:(1)對目前經典點擊率預估模型LR、GBDT、FM及變體XGBoost、FFM進行研究,通過...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 主要的研究內容
    1.4 本文的章節(jié)安排
第二章 相關理論研究
    2.1 偏好率預估建模流程
    2.2 特征工程
        2.2.1 特征預處理
        2.2.2 特征處理方法
        2.2.3 特征選擇方法
    2.3 集成學習的原理
        2.3.1 Bagging算法
        2.3.2 Boosting算法
        2.3.3 Stacking算法
    2.4 LDA主題模型
    2.5 本章小結
第三章 基于特征組合的偏好率預估模型研究
    3.1 基線偏好率預估模型研究
        3.1.1 廣義線性回歸
        3.1.2 因子分解機與域感知因子分解機
        3.1.3 梯度提升樹與極限梯度提升機
    3.2 基于融合模型的短視頻偏好率預測模型研究
    3.3 基于主題模型的短視頻偏好率預測模型研究
        3.3.1 LDA算法建模生成不同主題的子訓練集
        3.3.2 利用GBDT提取高影響力的特征
        3.3.3 訓練不同主題下的偏好率預測模型
        3.3.4 短視頻偏好率預測
    3.4 本章小結
第四章 實驗結果及分析
    4.1 實驗環(huán)境及數(shù)據(jù)集介紹
        4.1.1 實驗環(huán)境
        4.1.2 數(shù)據(jù)集介紹
    4.2 數(shù)據(jù)預處理和特征提取的總流程
        4.2.1 數(shù)據(jù)探索性分析
        4.2.2 特征庫的設計
    4.3 模型選擇及模型評價的介紹
        4.3.1 模型選擇
        4.3.2 評價指標
    4.4 對比實驗
        4.4.1 樹棵數(shù)和樹深度的設定
        4.4.2 主題個數(shù)對偏好率預測的影響
        4.4.3 LDA、XGBoost和 FFM融合前后的模型性能對比
    4.5 本章小結
第五章 總結與展望
參考文獻
攻讀學位期間的研究成果
致謝



本文編號：3814148