基于改进阶梯网络算法的广告转化率预测

摘要

得益于互联网的快速发展，搜索广告和电商广告在互联网广告中的占比越来越高，成为互联网行业最主要的商业模式之一。同时搜索广告以其巨大的商业价值和研究价值吸引了大量的专家学者，在学术界得到了广泛的研究。搜索广告的转化率，作为衡量广告转化效果的指标，从广告创意、商品品质、商店质量等多个角度综合刻画用户对广告商品的购买意向。准确预估转化率，能够使得广告主匹配到最可能购买自家商品的用户，也能让用户快速找到购买意愿最强的商品，从而提升在电商平台中的用户体验。 广告转化率数据的数据量较为庞大，数据结构复杂，给准确预估广告转化率任务带来了挑战。逻辑回归算法复杂度低，并且其目标函数也较好地契合了任务需求，因此被广泛运用于广告转化率预测中去，但是逻辑回归算法对特征工程要求较高，需要在特征选择和生成阶段花费大量的时间。半监督学习算法可以有效地提取特征并减少特征工程的时间，同时可以直接应用于广告转化率任务。 基于上述背景，本文以半监督学习算法阶梯网络作为理论基础，并着眼于广告转化率任务进行了如下研究： 1）对半监督学习算法阶梯网络进行分析，并针对其网络拓扑结构进行改进，进而增强模型的表达能力，提升模型性能。本文在阶梯网络的编码器部分引入了浅层网络，浅层网络神经元数量以及层数都较小，在适当增加算法复杂度的同时提升模型的表达能力。 2）通过增加正则项来改进阶梯网络的优化函数，从而提升模型的泛化能力。并根据广告转化率数据的特点，对于高维离散特征通过嵌入层进行降维并与连续特征合并，然后将合并后的特征向量输入改进后的阶梯网络进行训练，使模型更符合任务需求。 3）在阿里妈妈真实的广告数据上进行实验，通过与其他模型对比证明了该算法通过对网络拓扑结构以及优化函数的改进使模型在精度上有较好的提升，具体分析了不同超参数对模型性能的影响。然后使用不同的采样比例对大规模数据集采样后进行实验，实验结果表明选取合适的抽样比例可以在缩小训练集规模的同时不降低模型精度。

目录

声明

第一章 绪 论

1.1 选题背景

1.2广告转化率预测的研究现状

1.3本文内容

1.3.1 监督学习与无监督学习

1.3.2 本文研究内容

1.3.3 各章节主要内容

第二章 相关算法

2.1 逻辑回归算法概述

2.1.1 逻辑回归算法基本思想

2.1.2 逻辑回归算法的常见正则项

2.2 自动编码器

2.3 降噪自动编码器

2.4 阶梯网络

2.5 本章小结

第三章 模型设计

3.1 广告转化率预测任务

3.2 模型拓扑结构

3.3 嵌入合并层

3.4 浅层网络与阶梯网络

3.5 组合层与目标函数

3.6 本章小结

第四章 广告转化率预测实验

4.1 广告转化率数据集划分

4.2 数据探索

4.3 模型细节分析与实验设置

4.4 实验结果与模型性能分析

4.5大规模数据集的训练

4.6本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢