基于集成学习方法的点击率预估模型研究

• 作者: 潘文捷 程宏 贺小娟
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 梯度提升树 Stacking集成学习 SMOTE 广告点击率
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 2278-2284
• 页数: 7页
• 分类号: TP391
• 字数: 5540字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2019.12.025

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％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘文捷	上海对外经贸大学统计与信息学院	3	0	0.0	0.0
2	贺小娟	上海对外经贸大学统计与信息学院	2	0	0.0	0.0
3	程宏	上海立信会计金融学院统计与数学学院	2	0	0.0	0.0