基于卷积神经网络的搜索广告点击率预测[权威资料]

《基于卷积神经网络的搜索广告点击率预测[权威资料]》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于卷积神经网络的搜索广告点击率预测　　摘要：广告点击率的预测是搜索广告进行投放的基础。目前已有的工作大多数使用线性模型或基于推荐方法的模型解决点击率预测问题，但这些方法没有对特征之间的关系进行深入的探索，无法完全体现广告点击预测中各个特征之间的关系。本文提出了基于卷积神经网络的搜索广告点击率预测的方法，阐述了卷积神经网络在特征的学习上模拟人的思维过程，并进一步分析了不同特征在广告点击率预测中的作用，在KDDCup2012中Track2数据集上的实验结果验证了本文提出的方法能够提高搜索广告点击率的预测效果，其AUC值达到0.7925。　　关键词：卷积神经网络；点击率预测；搜索广告

2、　　TP391.41文献标识号：A2095-2163（2015）04-　　Click-ThroughRatePredictionforSearchAdvertisingbasedonConvolutionNeuralNetwork　　LISiqin，LINLei，SUNChengjie　　（SchoolofComputerScienceandTechnology，HarbinInstituteofTechnology，Harbin150001，China）　　Abstract：Click-ThroughRate（CTR）predictionisthefoundationofsea

3、rchadvertising.Nowadays，lotsofresearcheshavebeenexploredtopredictCTR，andmostofthoseresearcheseitherrelyonlinermodeloremploymethodofrecommendationsystem.However，therelationsbetweendifferentfeaturesinCTRpredicationhavenotbeenfullyexploredinpreviousworks，andtherelationsbetweendifferentfeaturesal

4、socannotbefullyembodied.Inthispaper，CTRpredictionforsearchadvertisingbasedonconvolutionneuralnetworkisproposed，andprocessofconvolutionneuralnetworksimulatingtheprocessofhumanthoughtonfeaturelearningisexplained.Furthermore，theperformanceofdifferentfeatureshavebeenanalyzedinthetaskofpredictingC

5、TR.ExperimentsareconductedonthedatasetofKDDCup2012Track2andtheproposedmethodachieves0.7925inAUC，demonstratingtheeffectivenessoftheproposedapproach.　　Keywords：ConvolutionNeuralNetwork；Click-ThroughRatePrediction；SearchAdvertising　　0引言　　随着Web搜索技术的成熟，搜索广告已经成为互联网行业的主要收入来源之一，其根据用户输入的查询词，在搜索的结果页面呈现

6、出相应的广告信息。广告媒介的收益通过每次点击费用（CostPerClick，CPC）与广告点击率（Click-ThroughRate，CTR）预测共同影响而得到，即CPC*CTR。由于用户点击广告的概率随着广告位的排放顺序呈递减趋势，因此对CTR进行准确高效的预测，并将CTR高的广告投放在搜索结果页面靠前的位置，不仅能增加广告媒介的收益，还能提高用户对搜索结果的满意程度。　　广告点击率预测是广告算法中最核心的技术，近年来被学术界广泛关注。部分学者使用基于推荐方法的模型来解决CTR预测问题。霍晓骏等人[1]采用协同过滤算法，为页面找到与其相似的其他邻居页面，实现CTR的预测，以此作

7、为基础进行广告推荐，但当相似页面的数量增加时，该方法的结果质量会严重下滑。Kanagal等人[2]提出了一种聚焦矩阵分解模型，针对用户对具体的产品的喜好以及相关产品的信息进行学习，解决因用户-产品交互活动少而造成的数据稀疏问题。在文献[2]的基础上，Shan等人[3]提出了一种立方矩阵分解模型，通过对用户、广告和网页三者之间关系的立方矩阵进行分解，利用拟合矩阵的值来预测CTR，虽然立方矩阵分解模型增加了一维交互关系，但所刻画的交互关系仍然十分局限，不能在CTR预测中充分挖掘广告所