基于集成学习方法的点击率预估模型研究 |
| |
引用本文: | 贺小娟,潘文捷,程宏. 基于集成学习方法的点击率预估模型研究[J]. 计算机工程与科学, 2019, 41(12): 2278-2284 |
| |
作者姓名: | 贺小娟 潘文捷 程宏 |
| |
作者单位: | 上海对外经贸大学统计与信息学院,上海 201620;上海立信会计金融学院统计与数学学院,上海 201209 |
| |
基金项目: | 上海市青年科技英才"扬帆计划"项目;上海立信会计金融学院统计学一级学科建设项目 |
| |
摘 要: | 由于互联网中积累的广告日志具有数据稀疏、特征量大、正负样本分布极其不均匀等问题,使得人工特征提取费时费力,并且单一预测模型很难得到更好的预测性能。针对这些问题,提出梯度提升树GBDT和Stacking相融合的点击率预测模型GBDT-Stacking。通过引入梯度提升树自动进行特征提取与构造,并结合Stacking集成模型对在线广告点击率进行预测,有效提高了单个预测模型的性能。在真实广告数据集上的实验结果表明,GBDT-Stacking集成模型比对比模型在AUC的取值上至少提升了4%。
|
关 键 词: | 梯度提升树 Stacking集成学习 SMOTE 广告点击率 |
An advertisement click-through rate prediction model based on ensemble learning |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 万方数据 等数据库收录! |
|