基于机器学习的广告点击率预测方法研究

李育芬

摘 要：随着广告市场的蓬勃发展，企业对于广告点击率的预测就比较重视，这对企业自身的产品销售战略的调整就有着重要意义。本文主要就机器学习的广告点击率预测方法，从理论层面进行深入研究，希望能为实际广告点击率预测有所裨益。

关键词：广告点击率；预测方法；机器学习

引言

互联网广告在互联网领域中的发展比较迅速，和传统的媒体相比较而言，互联网广告的传播速度比较快，作为全新的广告媒体，就成为中小企业扩展知名度的最佳选择。而中小企业的产品销售中，为能精准的销售产品和调整产品销售方案，在广告点击率的预测环节就变得比较重要，要通过科学的方法加以预测。

一、广告点击率预测机器学习方法及预测原理

（一）广告点击率预测机器学习方法

互联网技术的迅速发展过程中，一些企业利用互联网信息传播迅速的优势进行投放广告，主要就是为了扩大广告的推广度，而广告点击的预测就显得比较重要，这是消费者对广告的关注度以及吸引度的一种呈现，对企业产品的销售发展有着重大意义。广告点击率预测中机器学习方法的应用是比较重要的，其中的浅层机器学习模型就是比较基础的，其中就涵盖着诸多的模型类型，如分解机模型，这是在推荐系统领域当中进行应用的，是非线性的模型，能在非线性特征问题中加以应用，发挥其自身的优势[1]。还有是GBDT模型，这是机器学习领域当中的一个重要学习方法，在训练集上能采用同一分类算法多次分类，从而得到系列弱分类器，在最终的组合弱分类器基础上得到强分类器。广告点击率预测机器学习方法当中的深层神经网络学习法也是比较重要的，其学习能力比较强，强调多层隐藏层，有着比较强大的数据拟合能力。再有就是梯度优化算法，这是广告点击率预估的最佳模型优化算法，有基于一阶梯度优化算法和基于二阶梯度拟牛顿优化算法。

（二）广告点击率预测机器学习方法预测原理

广告的投放之后进行收费，主要是按照点击收费，这也是比较常见的收费方法。所以点击预估就成为广告系统的一个重点内容，这对广告系统也会产生影响。在进行广告点击预测的过程中，就需要通过统计方法的应用，或者是通过基于机器学习的方法加以应用，对于数据量小的通过统计方法就能预估，而对于数据量比较大的，每个样本按照特征对应点击率就需要机器学习法加以应用[2]。广告的点击率预估常常会建模成二分类问题模型，给定广告以及用户信息和其他的上下文信息，进行预测是不是有一次点击率，模型的输入是日志，会记录用户对展现以及点击行为。机器学习方法的预测模型中广告日志的形式呈现，可通过以下图表进行参考。通过从图表中就能发现，每行就是日志内容，QuERY就是用户所给出的查询词，而Ad就是所展现的广告，Bidword就是广告所买的拍卖词，飘红就是查询词和广告匹配词。通过这些广告日志的信息就能实施机器的学习训练，在对某查询词和展现某广告时候有没有点击进行学习，对其点击的概率进行计算。

二、广告点击率预测机器学习方法预测实验及效果

基于机器学习的广告点击率预测方法的实际应用过程中，就要充分注重按照相应的步骤进行操作。首先是广告平台对用户展示的广告历史点击行为进行收集，然后从日志系统中对用户浏览的网站以及网页内容和时间等进行记录，这些日志的数据在经过；饿数据清洗以及特征处理后进行转变成适当的模型，通过相应的数字表示点击和未点击，这样就能获得广告点击率模型输入数据[3]。通过机器学习算法的应用来学习数据和训练处模型，在新广告请求的时候，就会通过相应数据输入到模型当中，对广告的点击概率就能进行计算。在机器学习的时候，特征工程是比较重要的，收到用户点击日志数据后，数据还不能直接学习，要进行对原始数据的有用信息通过数字加以表示，然后才能进行学习。对原始数据的表示形式比较多样，有通过取统计值的方式，也有通过one-hot编码的方式进行表示[4]。

由于篇幅有限对于广告点击率预测机器学习法的实验，仅以深层神经网络实验为例简单叙述，所使用的深层神经网络模型应用中，要先明确硬件配置，内存是144G，硬盘是1.5T，操作系统是CentOS-5.4，通过随机初始化函数权值初始化后，随机值算法就会产生高斯分布随机数程序生成，然后进行设置参数在终端输入命令。通过深层神经网络模型激活函数的方式，就能对广告点击率进行做出预测计算[5]。通过对此次广告点击预测机器学习方法的测试实验能够看到，能有效的辅助实际中广告点击预测的工作，为企业的产品策略的实施提供了良好的支持。

结语

综上所述，提高广告点击预测的准确度，就要充分注重先进的方法应用，而基于机器学习的广告点击率预测方法的应用，就有助于实践工作的开展。随着技术的进一步发展，对于广告点击率预测机器学习方法也会愈来愈先进，届时就会对企业的发展起到更大的作用，提高企业的市场竞争力。希望能通过此次对广告点击预测方法的应用，为实际的工作提供相应的参考。

参考文献：

[1]董书超.基于逻辑回归模型的广告点击率预估系统的设计与实现[D].哈尔滨工业大学2016

[2]余仕敏.基于递归神经网络的广告点击率预估[D].浙江理工大学 2016

[3]代成雷.基于逻辑回归的在线广告CTR优化和预测[D].浙江大学 2016

[4]李思琴.基于深度学習的搜索广告点击率预测方法研究[D].哈尔滨工业大学 2015

[5]邵迪.在线广告中高层特征表示及点击率预测方法研究[D].哈尔滨工业大学 2014endprint