基于特征组合的展示广告点击率预估模型研究

作者：admin时间：2019-04-17 06:54:52阅读：208来源：本站

随着机器学习在计算广告领域中为互联网企业带来越来越多的收入,近年来关于广告点击率预估问题的研究也随之不断地深入,尤其是类目型特征的处理,在近年来获得非常高的关注度。对于此问题,业界的解决方案以基于业务理解的人工特征组合为主,辅以逻辑回归等模型,需要耗费大量的人工精力,而在学术研究中则更多对基于特征组合的深度学习模型进行研究,但仍旧存在模型可解释性较差,在大规模数据集中调参难度较高等问题。本文从数据挖掘竞赛中基于业务理解进行特征组合构造的方法出发,总结常见的特征组合构造方式,提出一套较为完备的自动化特征组合构造框架AutoFeature,同时为了进一步优化特征组合构造的效率,本文提出一种基于矩阵分解的启发式特征组合搜索框架MF-AutoFeature,并将其应用于百万级用户量与千万级样本量的数据集中。实验表明,无论是与经典的因子分解机及其变体相比还是与近年来的基于特征组合的深度学习模型相比,该框架在与梯度提升树级联之后都能具备相对优异的预测能力,同时该框架构造的特征依旧能保持较好的可解释性,并且在特征组合构造的过程中无需进行人工调参。除此之外,本文还优化了近年热门的基于特征组合的深度学习模型,主要工作如下:本文基于深度因子分解机模型DeepFM,分别将注意力机制和神经网络加入到DeepFM的因子分解机部分,提出基于注意力机制的深度因子分解机模型DeepAFM和深度神经因子分解机模型DeepNFM。实验表明,在百万级用户量,千万级样本量的数据集中,DeepAFM和DeepNFM的预测精度从总体上均优于深度因子分解机等模型。本文还尝试将序列信息融入因子分解机,提出循环神经因子分解机RFM以及深度循环神经因子分解机DeepRFM,将循环神经网络加入到基于特征组合的深度学习模型中,使得在进行序列信息建模的同时能够进行自动特征组合。实验表明,RFM和DeepRFM对于历史记录较为丰富的用户的点击率预估效果显著优于因子分解机和深度因子分解机。

上一篇：面向大面积丝网印刷的自动上下料SCARA机器人研究
下一篇：多模态数据融合的移动阅读体验优化算法及系统

毕业论文网

所有论文科目分类

基于特征组合的展示广告点击率预估模型研究

最新更新

热门推荐