声明
致谢
摘要
第1章 绪论
1.1 课题背景
1.2 点击模型研究现状
1.3 本文主要研究内容
1.4 论文的内容组织
第2章 搜索广告点击模型
2.1 基本假设
2.1.1 检查假设
2.1.2 顺序假设
2.2 基于贝叶斯网的方法
2.2.1 基本概率图模型
2.2.2 扩展模型
2.3 基于统计模型的方法
2.3.1 基于最大熵原理的统计模型
2.3.2 树类统计模型
2.4 评价指标
2.4.1 Log-likelihood
2.4.2 Click Perplexity
2.4.3 AUC
2.4.4 NDCG
2.5 点击模型的应用
2.6 本章小结
第3章 CTR预估中的特征
3.1 CTR预估问题定义
3.2 CTR特征设计原则
3.3 单特征
3.3.1 id类特征
3.3.2 属性类特征
3.4 组合特征
3.4.1 时间序列类特征
3.4.2 环境类特征
3.5 统计类特征
3.6 本章小结
第4章 基于可扩展分解机器的点击模型
4.1 张量分解
4.2 分解机器
4.2.1 一般形式和应用
4.2.2 分解机器的性能分析
4.2.3 分解机器的局限性
4.3 可扩展分解机器SFM
4.3.1 层次张量模型
4.3.2 路经编码正则项
4.3.3 在线工作集优化算法
4.3.4 性能分析
4.4 作为点击模型的SFM
4.5 本章小结
第5章 实验与分析
5.1 实验设计
5.1.1 数据集
5.1.2 参数设置
5.2 模型有效性
5.2.1 在线与批量优化
5.2.2 正则项
5.3 特征有效性
5.3.1 特征体系
5.3.2 组合特征
5.4 点击率预估
5.4.1 分解模型对比
5.4.2 排序能力
5.4.3 Click Perplexity
5.4.4 存储与时间性能
5.5 本章小结
第6章 总结和展望
6.1 全文总结
6.2 未来工作
参考文献
作者简历及在学期间所取得的科研成果