Resumen

En los últimos años, con el rápido desarrollo de Internet móvil y sus aplicaciones comerciales, la estimación del Click-Through Rate (CTR) de la publicidad móvil se ha convertido en una dirección de investigación candente en el campo de la publicidad computacional, que se utiliza para lograr una entrega precisa de anuncios para obtener los mejores beneficios en el juego de tres lados entre los medios, los anunciantes y las audiencias. La investigación actual sobre la estimación del CTR utiliza principalmente los métodos y modelos del aprendizaje automático, como el modelo lineal o los algoritmos de recomendación. Sin embargo, la mayoría de estos métodos son insuficientes para extraer las características de los datos y no pueden reflejar la relación no lineal entre las diferentes características. Para resolver estos problemas, proponemos un nuevo modelo basado en Deep Belief Nets para predecir el CTR de la publicidad móvil, que combina la potente representación de datos y la capacidad de extracción de características de Deep Belief Nets, con la ventaja de la simplicidad de los modelos tradicionales de Regresión Logística. Basándonos en el conjunto de datos de entrenamiento con la información de más de 40 millones de anuncios para móviles durante un periodo de 10 días, nuestros experimentos muestran que nuestro nuevo modelo tiene una mejor precisión de estimación que el modelo clásico de Regresión Logística (LR) en un 5,57 y el modelo de regresión vectorial de apoyo (SVR) en un 5,80%.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:deep believes net, nuevo modelo, direcciones de investigación calientes, modelo de máquina, capacidades de deep, regresión logística tradicional, capacidades de extracción de características, modelo de regresión logística, regresión logística clásica, ventaja de la simplicidad
• Keywords:deep believes net, new model, hot research directions, model of machine, capabilities of deep, traditional logistic regression, features extraction capabilities, logistic regression model, classic logistic regression, advantage of simplicity