一种基于栈式自编码器的广告点击率预测的方法技术

本发明专利技术提供一种广告点击率的预测方法。该方法针对广告数据特征高维稀疏性的特点，采用K‑means聚类算法和张量分解算法降低特征的维度和稀疏性，根据浅层模型无法深入学习特征间高度非线性关联的问题，利用深度学习算法能多层次对特征进行学习的特点，选用栈式自编码器算法，充分挖掘广告数据特征间更深层次的关系。

A method based on stack from encoder CTR prediction

The invention provides a method for predicting advertisement click rate. The method for advertising data characteristics of high dimensional sparse, using K means clustering algorithm to reduce the feature dimension and tensor and sparse decomposition algorithm, according to the shallow learning problem of the highly nonlinear model cannot be associated features between the deep, deep learning algorithm can use of multi-level characteristics for learning characteristics, selection of stacked self encoder the algorithm, fully tap the relationship between advertising data feature deeper.

【技术实现步骤摘要】
一种基于栈式自编码器的广告点击率预测的方法
：本专利技术涉及互联网计算广告
，准确的说是一种基于栈式自编码器的广告点击率预测方法。
技术介绍
：搜索广告目前已经成为互联网行业的主要收入来源之一，也是规模最大，增长最快的广告渠道之一。对于参与搜索广告的广告商、广告媒介和用户三者来说，一方面，广告商通过支付每次点击费用(CostPerClick，CPC)的形式借助广告媒介投放广告，广告媒介的收益则来自于每次点击费用与广告点击率(Click-ThroughRate，CTR)预测共同影响而得到，即CPC*CTR，广告点击率预测的准确性与广告商和广告媒介的收益息息相关。另一方面，用户点击广告的概率随着广告位的排放顺序呈递减趋势，对广告点击率进行预测并将预测结果高的广告投放在搜索结果页面靠前的位置，能增加用户的对广告的点击率。搜索广告点击率预测结果的好坏直接关系到广告商与广告媒介的收益，因此，这项研究早已是工业界的热点项目之一。对于广告点击率预测这一问题，传统方法分别从假设检验，分类，推荐系统等角度进行切入，但这些通过设计提取特征方案获得特征和对用户进行建模的方法，并没有充分考虑广告数据具本文档来自技高网...

【技术保护点】
一种广告点击率预测方法，其特征在于，包括以下步骤：步骤1：建立广告‑查询矩阵，分别对广告和查询进行K‑means聚类；步骤2：对用户‑查询‑广告三维张量模型进行张量分解；步骤3：提取影响广告点击率的基本特征；步骤4：将选取的基本特征作为栈式自编码器的输入层，进行训练，获得高阶组合特征；步骤5：将高阶组合特征输入逻辑回归模型中，进行训练；步骤6：模型训练完成，将待预测数据输入训练好的模型，进行预测。

【技术特征摘要】
1.一种广告点击率预测方法，其特征在于，包括以下步骤：步骤1：建立广告-查询矩阵，分别对广告和查询进行K-means聚类；步骤2：对用户-查询-广告三维张量模型进行张量分解；步骤3：提取影响广告点击率的基本特征；步骤4：将选取的基本特征作为栈式自编码器的输入层，进行训练，获得高阶组合特征；步骤5：将高阶组合特征输入逻辑回归模型中，进行训练；步骤6：模型训练完成，将待预测数据输入训练好的模型，进行预测。2.根据权利要求1所述的广告点击率预测方法，其特征在于,所述步骤1包括：步骤1-1：用实验数据中提供的广告展示次数作为广告Ai与查询Qj的权重，来建立广告-查询矩阵步骤1-2：对该广告-查询矩阵采用K-means算法进行聚类；步骤1-3：...

【专利技术属性】
技术研发人员：梅佳俊，杨长春，杨晋苏，吴云，吴浩，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32