基于機器學習的廣告點擊率預測方法研究

李育芬

摘 要：隨著廣告市場的蓬勃發展，企業對于廣告點擊率的預測就比較重視，這對企業自身的產品銷售戰略的調整就有著重要意義。本文主要就機器學習的廣告點擊率預測方法，從理論層面進行深入研究，希望能為實際廣告點擊率預測有所裨益。

關鍵詞：廣告點擊率；預測方法；機器學習

引言

互聯網廣告在互聯網領域中的發展比較迅速，和傳統的媒體相比較而言，互聯網廣告的傳播速度比較快，作為全新的廣告媒體，就成為中小企業擴展知名度的最佳選擇。而中小企業的產品銷售中，為能精準的銷售產品和調整產品銷售方案，在廣告點擊率的預測環節就變得比較重要，要通過科學的方法加以預測。

一、廣告點擊率預測機器學習方法及預測原理

（一）廣告點擊率預測機器學習方法

互聯網技術的迅速發展過程中，一些企業利用互聯網信息傳播迅速的優勢進行投放廣告，主要就是為了擴大廣告的推廣度，而廣告點擊的預測就顯得比較重要，這是消費者對廣告的關注度以及吸引度的一種呈現，對企業產品的銷售發展有著重大意義。廣告點擊率預測中機器學習方法的應用是比較重要的，其中的淺層機器學習模型就是比較基礎的，其中就涵蓋著諸多的模型類型，如分解機模型，這是在推薦系統領域當中進行應用的，是非線性的模型，能在非線性特征問題中加以應用，發揮其自身的優勢[1]。還有是GBDT模型，這是機器學習領域當中的一個重要學習方法，在訓練集上能采用同一分類算法多次分類，從而得到系列弱分類器，在最終的組合弱分類器基礎上得到強分類器。廣告點擊率預測機器學習方法當中的深層神經網絡學習法也是比較重要的，其學習能力比較強，強調多層隱藏層，有著比較強大的數據擬合能力。再有就是梯度優化算法，這是廣告點擊率預估的最佳模型優化算法，有基于一階梯度優化算法和基于二階梯度擬牛頓優化算法。

（二）廣告點擊率預測機器學習方法預測原理

廣告的投放之后進行收費，主要是按照點擊收費，這也是比較常見的收費方法。所以點擊預估就成為廣告系統的一個重點內容，這對廣告系統也會產生影響。在進行廣告點擊預測的過程中，就需要通過統計方法的應用，或者是通過基于機器學習的方法加以應用，對于數據量小的通過統計方法就能預估，而對于數據量比較大的，每個樣本按照特征對應點擊率就需要機器學習法加以應用[2]。廣告的點擊率預估常常會建模成二分類問題模型，給定廣告以及用戶信息和其他的上下文信息，進行預測是不是有一次點擊率，模型的輸入是日志，會記錄用戶對展現以及點擊行為。機器學習方法的預測模型中廣告日志的形式呈現，可通過以下圖表進行參考。通過從圖表中就能發現，每行就是日志內容，QuERY就是用戶所給出的查詢詞，而Ad就是所展現的廣告，Bidword就是廣告所買的拍賣詞，飄紅就是查詢詞和廣告匹配詞。通過這些廣告日志的信息就能實施機器的學習訓練，在對某查詢詞和展現某廣告時候有沒有點擊進行學習，對其點擊的概率進行計算。

二、廣告點擊率預測機器學習方法預測實驗及效果

基于機器學習的廣告點擊率預測方法的實際應用過程中，就要充分注重按照相應的步驟進行操作。首先是廣告平臺對用戶展示的廣告歷史點擊行為進行收集，然后從日志系統中對用戶瀏覽的網站以及網頁內容和時間等進行記錄，這些日志的數據在經過；餓數據清洗以及特征處理后進行轉變成適當的模型，通過相應的數字表示點擊和未點擊，這樣就能獲得廣告點擊率模型輸入數據[3]。通過機器學習算法的應用來學習數據和訓練處模型，在新廣告請求的時候，就會通過相應數據輸入到模型當中，對廣告的點擊概率就能進行計算。在機器學習的時候，特征工程是比較重要的，收到用戶點擊日志數據后，數據還不能直接學習，要進行對原始數據的有用信息通過數字加以表示，然后才能進行學習。對原始數據的表示形式比較多樣，有通過取統計值的方式，也有通過one-hot編碼的方式進行表示[4]。

由于篇幅有限對于廣告點擊率預測機器學習法的實驗，僅以深層神經網絡實驗為例簡單敘述，所使用的深層神經網絡模型應用中，要先明確硬件配置，內存是144G，硬盤是1.5T，操作系統是CentOS-5.4，通過隨機初始化函數權值初始化后，隨機值算法就會產生高斯分布隨機數程序生成，然后進行設置參數在終端輸入命令。通過深層神經網絡模型激活函數的方式，就能對廣告點擊率進行做出預測計算[5]。通過對此次廣告點擊預測機器學習方法的測試實驗能夠看到，能有效的輔助實際中廣告點擊預測的工作，為企業的產品策略的實施提供了良好的支持。

結語

綜上所述，提高廣告點擊預測的準確度，就要充分注重先進的方法應用，而基于機器學習的廣告點擊率預測方法的應用，就有助于實踐工作的開展。隨著技術的進一步發展，對于廣告點擊率預測機器學習方法也會愈來愈先進，屆時就會對企業的發展起到更大的作用，提高企業的市場競爭力。希望能通過此次對廣告點擊預測方法的應用，為實際的工作提供相應的參考。

參考文獻：

[1]董書超.基于邏輯回歸模型的廣告點擊率預估系統的設計與實現[D].哈爾濱工業大學2016

[2]余仕敏.基于遞歸神經網絡的廣告點擊率預估[D].浙江理工大學 2016

[3]代成雷.基于邏輯回歸的在線廣告CTR優化和預測[D].浙江大學 2016

[4]李思琴.基于深度學習的搜索廣告點擊率預測方法研究[D].哈爾濱工業大學 2015

[5]邵迪.在線廣告中高層特征表示及點擊率預測方法研究[D].哈爾濱工業大學 2014endprint