基于LDA的互联网广告点击率预测研究

广告点击率是互联网广告投放的重要依据,有效地预测广告的点击率,对于提高广告投放的效率有着至关重要的作用。在训练点击率预测模型的过程中,往往面临着广告及用户的数量巨大以及训练数据集稀疏的问题,从而导致点击率预测的准确度下降。针对这些问题提出了一种基于LDA (Latent Dirichlet Allocation)的点击率预测算法,即LDA-FMs,该算法对原有训练集进行基于主题的分割,利用分割后的子训练集分别建立不同主题下的点击率预测模型,在此基础上,利用广告属于不同主题的概率,有权重的结合每个预测模型的预测结果,进而计算广告的点击率。实验基于KDD Cup 2012-Track2的真实数据集,证明了算法的可行性与有效性。     

结合广告相似性网络的搜索广告推荐

目前已有的基于协同过滤的搜索广告推荐方法中,基于邻域的协同过滤方法存在着无法处理稀疏数据的问题,而基于矩阵分解的方法虽然能够推断出缺失的数据,但是却缺少邻居的协作。提出了一种搜索广告推荐算法,即ASN-MF,该算法通过建立广告相似性网络得到广告的相似性关系,并将其加入到矩阵分解的损失函数中,使得分解后的广告特征矩阵能够带有相似邻居的性质。实验基于KDD Cup 2012-Track2的真实数据集,证明了算法的可行性与有效性。