基于特征优化的广告点击率预测模型研究

摘要：

针对互联网广告数据具有高维稀疏性的特点,在现有的点击率(Click-Through Rate,CTR)预测问题的相关理论和技术基础上,给出了一种基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)的卷积神经网络(Convolutional Neural Networks,CNN)在线广告特征提取模型(CNN Based on GBDT,CNN+).CNN+模型不仅能从原始数据中提取出深度高阶特征,还能解决卷积神经网络在稀疏、高维特征中提取特征困难的问题.在真实数据集上的实验结果表明,与主成分分析(Principal Component Analysis,PCA)和梯度提升决策树这两种特征提取方法相比,CNN+模型提取的特征更加有效.

关键词：广告点击率预测、梯度提升决策树、卷积神经网络、特征学习

分类号：TP391(计算技术、计算机技术)

资助基金：教育部人文社科青年基金18YJC630205

在线出版日期：2020-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：147-155