Resumen

Para predecir con precisión la tasa de clics (CTR) y utilizarla para recomendaciones de anuncios, proponemos un modelo de predicción de popularidad de anuncios con atención profunda (DAFCT) basado en tecnología de recomendación de etiquetas y método de filtrado colaborativo, que integra características de contenido e información temporal. Primero, construimos un modelo Attention-LSTM para capturar las tendencias de popularidad y explotar la información temporal basada en la retroalimentación de los usuarios; finalmente, utilizamos el método de concatenación para fusionar la información temporal y las características de contenido y diseñar un algoritmo de Predicción de Popularidad con Atención Profunda (DAVPP) para resolver DAFCT. Ajustamos experimentalmente los parámetros de métrica de similitud compuesta ponderada de las páginas de consulta y verificamos la escalabilidad del algoritmo. Los resultados experimentales en el conjunto de datos KDDCUP2012 muestran que este modelo de filtrado colaborativo y algoritmo de recomendación tiene una mejor escalabilidad y una mejor calidad de recomendación. En compar

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Predicción; Tasa de clics; Recomendación de anuncios; Atención profunda; Predicción de popularidad; Filtrado colaborativo
• Keywords:Predict; Click-through rate; Ad recommendation; Deep attention; Popularity prediction; Collaborative filtering