一、在线广告基本步骤（论文文献综述）
焦婵,高远,罗心月[1]（2022）在《在线广告税收管辖权面临的挑战及对策研究——基于数字经济背景》文中指出信息通信技术的快速发展催生了数字经济,在此背景下在线广告的商业模式得以诞生。在线广告价值创造过程中数据的参与使得传统的利润划分方式不再适用,OECD在最新的《支柱一蓝图报告》中提出了新征税权的概念,旨在将部分剩余利润分配给市场国,保护其税收利益。本文探索了这一方法对在线广告模式的适用性,并在分析本国的所得税制度现状与在线广告发展现状的基础上,提出合理建议。
王珂[2]（2021）在《基于FM的深度学习模型的在线广告点击率预测研究》文中认为在计算广告中,预测用户是否会点击某个广告是一类非常重要的机器学习问题。提高广告点击率预测的准确率,对用户进行个性化推荐,一方面可以解决用户在“信息过载”的情况下高效获得感兴趣信息的问题,挖掘用户的潜在需求,另一方面能增加平台和广告主的收益。在大数据时代下,互联网平台需要有效地利用平台积累的大量用户历史行为数据,从而实现对广告点击率的精准预估。然而,在使用海量的数据进行广告点击率预测时,存在着诸多难题,点击率预估成为一个非常重要的研究课题。基于此方向,本文在国内外文献研究基础上,通过2020年华为平台提供的海量广告点击率数据,基于GBDT+Deep FM模型构建在线广告点击率预测模型,预估用户点击广告的概率,从理论和实践两个方面验证模型的可行性。本文的重点主要从以下四个方面展开:1.在数据处理部分,基于本文的在线广告点击率数据集,进行数据的探索和可视化实现,针对不同的特征变量进行数据缺失和编码处理。在特征工程中,通过对实际业务背景的理解构建了合理的特征工程框架,其中基本统计特征30个,曝光量特征15个,历史点击率特征22个,共计102个特征作为在线广告点击率预测模型的特征变量。2.在模型构建部分,针对目前广告点击率预测存在的问题和点击率数据集高维稀疏的特点,本文提出GBDT+Deep FM模型用于在线广告点击率预测,介绍了模型的原理和创新性,可同时满足记忆与泛化的需求。3.在预测结果部分,本文通过设置不同的超参数,对比分析了超参数的不同取值对模型点击率预估结果的影响,进而得到最优超参数。通过对比是否进行特征工程的模型预测结果,本文的特征工程提升了在线广告点击率预测的准确率。为了深入挖掘业务数据,使用GBDT模型筛选出影响在线广告点击率预测的前十个重要特征。4.在模型对比部分,GBDT+Deep FM模型分别与传统机器学习模型（LR、FM、GBDT、GBDT+LR）、深度学习模型（FNN、NFM、Wide&Deep、Deep FM）进行点击率预测效果的对比。实验结果显示,GBDT+Deep FM模型预测结果的AUC值为0.7377,Log Loss值为0.3123。GBDT+Deep FM模型与其他模型相比,在AUC值上可以提升0.04%-7.5%,能够有效地提升在线广告点击率预测的准确性。
吴铮涛[3]（2021）在《在线展示广告中的多粒度广告曝光预估》文中研究说明多年来,在线广告产业持续高速发展,为各大互联网公司带来了非常可观的经济效益。在在线广告业务中,广告曝光预估使得广告主能够提前估计广告投放效果,以此设置新广告的初始出价值或者调整旧广告的出价值,从而获得期望的投资回报率。尽管业界已经设计了一些曝光预估工具,但是对于展示广告,之前的工作主要是请求级粒度的预估方法,面对高维的广告定向条件组合与复杂的竞争环境和多样性约束,很难同时兼顾准确率和效率。基于上述背景和存在的问题,本文将准确预估广告曝光作为我们的研究主题,尝试结合机器学习和深度学习模型,分别提出了基于深度学习的请求级广告曝光预估系统PIF和基于采样的广告级曝光预估系统ACMIF。PIF是一个请求级广告曝光预估系统,它能够建模在多样性约束条件下的广告的竞争力。我们提出了一种有效的粗排启发的曝光机会生成模块用于生成给定的广告未来可能的有效曝光机会。然后,我们建立一个新颖的模型来预测给定广告和每个有效的曝光机会的曝光率。在此模型中,我们利用注意力机制来捕捉广告之间的竞争关系,并结合用户级时间模型来表征各种在线多样性需求。最后,通过汇总所有曝光机会的预估曝光率,我们可以最终的广告曝光数。我们在两个真实数据集上对PIF框架在小时级和天级预估任务上的有效性进行了广泛的评估。实验结果表明我们的设计与其他现有方法相比可以显着提高广告曝光数预测问题的准确率,对照实验也表明了我们曝光率预估模块各个组件的有效性。ACMIF是一个广告级广告曝光预估系统,该方法结合了 XGBoost和基于RANSAC的高斯分布建模等技术。当给定广告及其出价时,我们的方法首先分别估算基础曝光量和调价系数。通过将得到基础曝光和调价系数相乘,可以得出最终的总曝光量。XGBoost改善模型的泛化能力,基于RANSAC的高斯分布建模解决了离群值问题和稀疏采样问题,同时减少了预估过程的资源消耗。我们在真实在线展示广告系统中部署了该框架,并在真实数据集上评估了 ACMIF框架的准确率和时间效率。实验结果表明我们的设计不仅在广告曝光预估的准确性方面优于现有方法,而且实现了广告全覆盖,大大减少了预估时的平均执行时间。
沈佳敏[4]（2020）在《广告布局图片的自动生成和美学质量评价技术研究》文中指出随着线上线下服务的打通,零售业迎来了新一轮高速发展。这不仅对广告,特别是网页横幅广告的设计需求飞速增长,也对广告设计的时效性有了更高的要求。目前广告设计大都由专业设计人员完成,由于整个设计流程对人工的高度依赖,尤其是图片素材的筛选与加工,设计效率难以快速提升以满足爆炸式增长的业务需求。然而互联网上海量的素材数据和人工智能技术的发展,为解决这个发展瓶颈提供了一个契机。本文主要研究的是广告图片布局的自动生成以及对生成的布局图片进行美学质量评价。论文主要工作如下:首先,为了实现广告图片布局的自动生成,本文提出了基于生成对抗网络的布局生成网络模型。在这项工作中,本文不考虑广告描述语的具体内容,仅考虑广告描述语在整张图片中所处的位置。首先,根据广告图片的特殊性,模型将综合考虑广告图片的视觉信息和属性信息,其中属性信息包括图片风格、商品分类以及适宜人群。然后,将这两种信息分别进行编码,之后再综合起来作为生成对抗网络的输入,同时,根据这两种信息,在数据集中采样广告主体图片和广告描述语在整张图片上的位置。接着,生成对抗网络根据采样信息生成布局图片,同时利用L2距离计算相似性得分,进而输出得分排名前三的图片。最后,根据实验结果和数据分析,本文的模型能够很好的完成广告布局图片的生成并且生成的图片的质量很好。其次,为了提高生成的布局图片的质量,本文提出了广告布局图片的美学质量评价网络,整个网络包含多属性特征网络、注意网络以及语言生成网络。首先,邀请5名专业的广告设计师以及10名广告行业从业人员对布局图片进行打分,评分选项包括构图、颜色、图像的焦点和总体印象,从而构造专门的布局评分数据集。该数据集包含了四个美学属性的数值评分和各个美学属性的语言评价。接着多属性特征网络通过4个属性得分的多任务回归计算不同属性的特征矩阵,而注意网络动态地调整所获得特征的信道维度和空间维度的注意权重。然后,语言生成网络通过长短期记忆网络生成图像字幕,长短期记忆网络需要数据集中关于各个美学属性的语言评价的真实内容和注意网络调整后的特征映射。最后,通过实验分析,本文的模型能够很好地得出每张图片的各个美学属性的评分和语言评价,同时还能得出整张图片的美学评分。
朱孟洋[5]（2020）在《移动应用程序推送广告对非计划购买行为影响的研究》文中指出随着信息技术的发展,网络购物已经成为人们的主要购物方式之一,依托于移动应用程序的网络商家正呈逐年递增之势。同时,越来越多的网络商家开始使用在线广告进行宣传以获得更好的推广效果。移动应用程序推送广告作为在线广告中重要的一种,其“推送”的特性决定了其目的是吸引潜在消费者,消费者被这种广告吸引所产生的购买行为往往是没有计划的,这种没有提前计划好的购买行为被称为非计划购买行为。然而网络商家在使用移动应用程序推送广告时并不总能吸引消费者产生购买行为,因此研究该种广告如何影响消费者的非计划购买行为是必要的。广告重复是移动应用程序推送广告中常用到的推广策略,即多次重复地向消费者推送同一主题的广告,这种策略会对消费者的购买行为产生影响;同时,移动应用程序推送广告中的品牌也会对消费者的购买行为产生影响。本文以非计划购买模型为理论支撑,探究了移动应用程序推送广告中的广告重复、品牌等对消费者非计划购买行为的影响机制。本文通过收集到的356份有效调查问卷,实证研究了移动应用程序推送广告中的广告重复、品牌与消费者非计划购买行为之间的关系。回归结果发现,就移动应用程序推送广告而言,广告重复持续时间会通过影响消费者的购买冲动来正向影响消费者的非计划购买行为,消费者的功利动机在广告重复持续时间与购买冲动之间充当调节变量;品牌知名度则会通过影响广告态度来正向影响消费者的非计划购买行为,品牌态度在品牌知名度与广告态度的关系之间存在中介作用。本文指出了移动应用程序推送广告与非计划购买之间的紧密联系,为移动应用程序推送广告的投放决策提供了理论依据和建议,并且为实现广告主与消费者之间的共赢提供了理论支撑。
江丹[6]（2020）在《基于迁移学习的广告点击率预测方法研究》文中研究指明广告点击率预测是在线广告投放过程中的一项重要任务,有助于理解以广告投放平台为代表的系统特性。在线广告运营是通过后台计算与搜索内容相匹配的广告,将其进行精准投放的过程。广告投放机制可以快速增加广告主投放的广告点击率（Click-through Rate,CTR）,帮助用户获取优质的资源信息。随着科技的迅猛发展,面对庞大的数据量,高维稀疏的特征,冗余数据构成了更加复杂的广告数据。传统的广告点击率预测方法已经不能满足日益复杂的广告数据。如何快速而准确的构造一个广告点击率预测模型是一个迫在眉睫的研究课题。广告点击率预测是致力于在线广告投放后点击率的检测。当使用经典的逻辑回归算法处理广告不平衡的高维稀疏数据时,广告点击率预测方法未能考虑特征之间的联系使得预测的准确度不理想。为了解决这个问题,本文通过迁移学习方法提取不平衡数据样本之间的潜在关系表示,使得广告数据的预测结果得到大幅度提升。本文提出两种广告点击率预测方法:迁移学习影响下基于鲁棒性集成局部内核嵌入的广告点击率预测方法（Click-Through Rate Prediction Method based on Robust Integrated Locally Kernel Embedding under the Influence of Transfer Learning,RTILKE）和基于多视图特征迁移的广告点击率预测方法（Click-Through Rate Prediction Method based on Multi-view Feature Transfer,MFT）。RTILKE和MFT在不同规模的数据集通过评价指标显示出模型效果,并与多个经典方法进行对比,从而进一步验证两个模型的有效性和可行性。本文的主要工作如下:（1）提出迁移学习影响下基于鲁棒性集成局部内核嵌入的广告点击率预测方法（RTILKE）。该方法首先将数据分为源域和目标域,源域分为三组:正样本（完全被点击的）,负样本（完全不被点击的）和正负混合样本（MIX）。该操作是为了解决样本数据间不平衡度问题,提出了利用迁移学习的方法改善不平衡数据带来的预测不稳定。然后将预处理过的数据拓展成核函数,并在此基础上扩充系数矩阵和标签对称核矩阵形成鲁棒性集成局部内核嵌入（Robust Integrated Locally Kernel Embedding,RILKE）模型,从而使得算法的稳定性更好。最后相似函数和非负嵌入矩阵的构建采用交替固定相似函数和非负嵌入矩阵的迭代更参优化操作,求得局部最优化的预测值。大量的实验结果表明,RTILKE在广告点击率预测上是有效的,而且在不平衡广告数据集的预测上具有明显的优势。（2）提出一种基于多视图特征迁移的广告点击率预测方法（MFT）。RTILKE算法在不平衡广告数据集预测上具有明显的优势,但是考虑到广告数据的复杂性和特征的多样性,数据之间的迁移不能够充分发现广告数据内部的特征关系。因此,本文进一步提出一种基于多视图特征迁移的广告点击率方法。MFT首先在数据预处理过程中将数据分为普通特征和精选特征。精选特征组合成特征矩阵通过K近邻的方法构造邻接矩阵并且采用构造图的方式构造拉普拉斯矩阵,得出前k个特征向量。为了提取出特征之间的联系,采用特征迁移的方法,并将得到的前k个重要特征向量矩阵结合普通特征矩阵组合成每一个视图,从而使得MFT充分利用了数据的不同属性。在不同规模数据集上的实验表明,MFT实现了在广告数据集上得出良好的预测结果,其在性能上已经优于很多的广告点击率预测方法。
潘镇[7]（2020）在《社交网络事件检测分析及应用的研究》文中提出随着互联网的快速发展,人们获取、传播信息的方式发生了革命性的变化。尤其是在线社交网络（即社交网络服务,Social Network Service,SNS）的出现,改变了传统的信息扩散方式,社交网络已逐渐成为主流的信息发布和传播平台。事件（Event）是指具有主题,时间维度以及一组相关实体（如位置、人员、组织等）的抽象概念。本文开展社交网络上信息传播的数据挖掘和方法研究,通过对社交网络上事件产生、爆发和发展的研究,了解信息传播的模式和特点,进而为计算广告、数据新闻等实际应用场景提供有效支撑。具体的工作和创新如下:首先,本文提出了一种社交网络热点事件检测、追踪和演化分析方法。社交事件一般涉及时间、地点、主体等信息,可能关于时事政治、热门事件等,也可能是关于网络谣言、虚假广告等不良信息。反过来,人们可以通过社交网络上热烈讨论的内容来了解有什么事件发生。如何自动的发现这些社交事件及其演化关系,帮助用户过滤、组织管理信息是一个急需解决的任务。尽管之前有很多关于新闻事件和文档话题演化分析的相关工作,但是社交媒体带来了新的挑战:社交媒体通常是短文本,具有高维、稀疏、数据量大等特点;由于字数限制,用户一般会使用俚语或用简称来指代事物;一条文本通常只描述一个事件,无法从其本身挖掘事件共现关系。同时,社交媒体具有交互性,允许用户转发、评论,这为从用户角度分析社交事件演化提供了可能性。本文利用事件序列的检测和追踪方法,对推特上的大量数据进行了实验,实验表明本文提出的方法可以很好地在社交平台上检测并追踪事件。然后,基于事件检测、追踪和演化分析方法,本文提出了一种社交网络事件序列的表示和预测方法。当前发生的事件是与过去相关的,而且事件序列的发展是有内在模式的。理解这些内在模式可以帮助研究者更好地预测接下来发生事件的类型和发生时间。文献中,研究者主要使用两类方法来对事件序列进行建模,分别是基于特征的方法和生成方法（generative approaches）。基于特征的方法提取多种类的特征,然后训练一个回归模型或者分类模型来做出预测。然而,基于特征方法的表现依赖于特征提取的好坏。生成方法通常假设事件的演化服从一个随机点过程（例如泊松过程或者更加复杂的点过程）。但是,事件序列的真实分布往往是一个特定的点过程不能刻画完全的,而且模型的表现依赖于随机点过程的设计。为了解决这两类方法都有不足的问题,本文提出了一种新的时间序列的深度概率生成模型。模型对社交网络上检测到的事件序列进行低维表示,并结合随机点过程和变分自编码器,来更好地利用隐藏信息,获得下一个事件到达时间和种类的分布。在真实数据集上的实验证明了提出模型的有效性。最后,本文提出了一种社交媒体上的广告点击率预测方法。随着电子商务的迅速发展,社交媒体上的在线广告在近年来有着爆炸式的增长,美国每年的在线广告业务达到千亿美元量级。由于实时竞价模式的发展,在计算广告中,首要的任务是对每个广告设定合适的价格,从而使广告商的收益最大。在投放广告的收费方式中,按每次点击收费,即广告商按用户点击次数向投放广告的平台付费的模式,是最流行的广告交易模式。因此,准确的估计用户每次点击广告的概率直接关系到广告平台的收入。广告交易数据具有以下特点:一,广告交易数据非常稀疏;二,真实的广告数据通常有着极大的数据量。针对广告交易数据的以上特点,本文提出针对稀疏数据的因子分解机模型。在模型中,使用拉普拉斯分布对参数进行建模,可以产生较少的非零元素,并且能突出相关的特征和特征对,而且,本文设计了稀疏因子分解机的分布式实现。最后,大量实验表明了本文方法的有效性。
卢永全[8]（2020）在《基于多尺度堆叠网络的点击率预估方法研究》文中提出预估广告点击率对于规划广告的投放、增加广告平台的收益、提升用户体验等都具有重要意义。如何从用户、商品、交互行为等多视图数据中构造丰富且有效的组合特征是准确预估广告点击率的关键。通常广告数据特征维度极高,达到百万级别,通过对目前研究工作分析发现,构建数据特征单一、隐含语义信息挖掘困难、稀疏数据下组合特征难以学习是广告点击率预估存在的3个难题。本文针对上述3个难题,设计了一种多尺度堆叠神经网络结构,并递进式的通过引入深度神经网络、构造因子分解机部件,提出了 MSSP-net、sDeepFM和sDeepFM-2三个基于多尺度堆叠网络的点击率预估模型。主要创新和研究内容如下:（1）本文针对构建数据特征单一的问题,提出了基于不同感受野构造多尺度特征的Multi-Scale-Stacking Pooling（MSSP）方法。MSSP能够通过构造多个不同角度、不同视野的观测器,从深度和宽度两个角度双向堆叠多尺度特征,挖掘不同局部视野中的高阶和低阶特征,保证了提取特征的多样性。通过将基于MSSP的神经网络模型MSSP-net与目前主流的LR、FM、AFM三个模型进行实验对比,发现效果有较大提升。（2）本文针对隐含语义信息挖掘困难的问题,将深度神经网络引入到MSSP-net中,提出了融合MSSP和DNN的模型,并将其命名为sDeepFM。通过实验分析,sDeepFM相比于MSSP-net,取得了进一步的效果提升。（3）二阶组合特征包含更加丰富的信息,有助于进一步提升广告点击率预测效果。本文针对稀疏数据下组合特征难以学习的问题,通过构造因子分解机部件对二阶组合特征进行精细学习,并将学习到的特征融入sDeepFM中,进而提出了 sDeepFM-2。通过在两个真实广告数据集上的对比实验表明:sDeepFM-2在Area Under the Curve（AUC）和 Log-likelihood Loss（LogLoss）两个性能指标上,相较于 PNN、xDeepFM、DeepFM三个当前的优秀模型均取得了更好的实验效果。
刘欢[9]（2020）在《基于行为序列挖掘的推荐算法研究与应用》文中提出近年来,信息爆炸问题越来越严重。个性化推荐系统则是架在用户和信息之间的一座“桥梁”,对于目的不明确的用户,通过挖掘其隐藏的兴趣,为用户推荐其满意的物品,对于缓解信息过载问题具有重要作用,已经成为不可缺少的网上服务。在目前流行的推荐算法中,其根据独立的（用户,物品）对分析用户的潜在兴趣。然而实际上,用户的兴趣是动态变化的,并且物品之间也具有相互关联,这些重要的因素却往往被忽略。基于此,本文提出基于行为序列挖掘的推荐算法,重点挖掘用户历史交互序列中的时序关系和物品相互联系,将本文推荐算法定义为两个研究点:基于概率图的物品画像挖掘技术,以及神经网络预测模型的构建和训练。基于概率图的物品画像挖掘技术的研究,旨在建模物品的交互特征、相互关系,学习物品的关系向量表示。单个用户交互序列只能反映局部的依赖关系。为构造物品的全局关系表示,通过图的方式,将物品看做结点,将物品之间的关系映射为边,在一个全局图上综合表示每个用户的交互序列,并且,建模物品的交互时间间隔,反映物品间的转化概率和依赖关系的强度。在此基础上,通过概率化游走采样得到物品序列,然后设计ItemR2Vec模型,改进对物品时序特征及相互关系的学习,通过最大化物品序列的出现概率,训练模型从而得到物品的关系向量。然后,本文探讨点击率预测模型,设计多网络结构的DSIM模型,通过引入负样本物品,建模用户的相对偏好。DSIM模型从用户的交互序列中学习时序特征,从而预测用户的动态偏好。针对负样本,提出详细的反馈分级采样方法,构建公式计算负样本的概率,从而采样更典型的样本。同时针对实际应用场景中的预测加速和冷启动问题提出具体的解决方案,使其更切合大数据时代背景下的实践需求。接下来,将DSIM算法应用于点击率预估系统。首先将系统可获取的数据经过建模,转换为DSIM算法的输入特征。然后利用DSIM模型预测用户对广告的点击概率。当用户访问平台,触发广告请求,根据模型预测的广告点击率,结合竞价因子,从广告库中选取合适的广告,返回给用户页面。系统通过响应速度,吞吐量等指标的测试,显示出强壮的性能。最后,将DSIM算法在MovieLens数据集上和天猫数据集上与传统推荐算法和先进算法进行比较,实验结果展示DSIM算法的召回率、MAP、AUC等指标均有很大提升。实验还分析了推荐列表的长度、物品关系向量的维度、负采样参数组合等超参数对DSIM算法的影响程度,使得所提算法得到有效的验证。
岳威[10]（2020）在《实时竞价系统中收益优化算法的研究与实现》文中研究说明近年来,互联网软硬件的快速发展以及各种设备、应用的普及,使得互联网已经融入到日常生活的方方面面之中,同时也对各行各业产生了深远的影响,互联网广告市场中的实时竞价交易模式也应运而生并不断发展完善。实时竞价模式基于用户的在线行为产生并累积的大量数据和个人信息,利用机器学习、信息检索、优化理论等多领域的技术实现了精准、高效的广告投放,成为了目前互联网流量变现的重要手段。介于其良好的发展前景和丰富多样的应用技术,实时竞价也吸引了越来越多研究者的注意。本论文从需求方的角度出发研究了其中几个关键问题,主要包括点击率预测问题、预算花费管理问题、出价策略优化问题,同时本论文提出相应的算法来优化需求方的整体收益。本文的研究成果如下:（1）为了提高点击率预测的准确性,首次将Actor-Critic强化学习框架应用于点击率预测任务。本文对点击率预测任务下的目标、概念进行合理地建模,提出一种基于Actor-Critic框架的点击率预测算法,使用神经网络来学习策略和值函数,并定义了其训练、测试流程。（2）为了提高预算花费的效率和平滑性,本文提出一种预算分配与管理机制,它包括两部分:基于投资组合理论的预算分配策略、广告请求筛选机制。预算分配策略同时考虑了收益和风险两种因素,可以在保证一定的期望收益的同时最小化分配方案的风险,来获得更加稳定的收益。广告请求筛选机制则通过为广告请求的预测点击率设置阈值来将低质量的广告请求过滤掉,从而提高预算的使用效率。同时还引入了时段间的预算动态调整,来更加充分地使用预算。（3）针对出价策略优化问题,本文将其建模为一个有预算约束的优化问题,通过求解该问题提出了一种基于时段粒度的非线性出价策略,它结合了预算分配与管理机制,可以根据广告投放活动中实际的预算花费情况来调整出价策略。该出价策略只对高质量的广告请求进行出价而直接忽略掉低质量的广告请求,从而取得更加可靠的出价结果。
二、在线广告基本步骤（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、在线广告基本步骤（论文提纲范文）
（1）在线广告税收管辖权面临的挑战及对策研究——基于数字经济背景（论文提纲范文）
| 一、研究背景 |
| 二、税收管辖权问题的产生机制 |
| (一)联结度规则 |
| (二)利润分配 |
| 三、OECD支柱一蓝图报告 |
| (一)新联结度规则 |
| (二)新征税权利润分配 |
| 1.计算剩余利润： |
| 2.应分配剩余利润的计算： |
| 3.剩余利润分配： |
| (三)评述与展望 |
| 四、我国现状分析 |
| (一)所得税制度 |
| (二)在线广告发展现状 |
| 五、对策建议 |
| (一)修改常设机构定义 |
| (二)比例划分各项业务费用 |
| (三)积极参与税收改革 |
| (四)完善国内法律，保护我国企业权益 |
（2）基于FM的深度学习模型的在线广告点击率预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文的主要贡献 |
| 第2章 文献综述与相关理论 |
| 2.1 文献综述 |
| 2.1.1 基于机器学习的广告点击率算法研究现状 |
| 2.1.2 基于深度学习的广告点击率算法研究现状 |
| 2.2 机器学习相关理论 |
| 2.2.1 逻辑回归模型 |
| 2.2.2 因子分解机模型 |
| 2.2.3 场感知因子分解机模型 |
| 2.3 深度学习相关理论 |
| 2.3.1 神经网络模型 |
| 2.3.2 前向与反向传播算法 |
| 2.3.3 模型激活函数 |
| 2.3.4 正则化方法 |
| 2.4 本章小结 |
| 第3章 数据来源和特征工程 |
| 3.1 数据来源和说明 |
| 3.2 数据探索性分析 |
| 3.3 数据预处理 |
| 3.3.1 缺失值分析 |
| 3.3.2 特征编码 |
| 3.4 特征工程 |
| 3.4.1 基本统计特征 |
| 3.4.2 曝光量特征 |
| 3.4.3 历史点击率特征 |
| 3.5 本章小结 |
| 第4章 GBDT+DeepFM模型设计 |
| 4.1 GBDT模块 |
| 4.2 Embedding层 |
| 4.3 FM模块 |
| 4.4 Deep模块 |
| 4.5 GBDT+DeepFM模型 |
| 4.6 本章小结 |
| 第5章 基于GBDT+DeepFM的广告点击率预测结果分析 |
| 5.1 实验环境 |
| 5.2 模型评价指标 |
| 5.2.1 AUC |
| 5.2.2 LogLoss |
| 5.3 超参数结果分析 |
| 5.3.1 Embedding向量维度 |
| 5.3.2 隐藏层数量 |
| 5.3.3 Dropout比例 |
| 5.3.4 不同优化器的性能比较 |
| 5.3.5 实验参数设置 |
| 5.4 实证结果分析 |
| 5.4.1 GBDT+DeepFM模型实证结果 |
| 5.4.2 在线广告点击率影响因素分析 |
| 5.5 模型结果对比分析 |
| 5.5.1 与经典机器学习模型对比 |
| 5.5.2 与其它深度学习模型对比 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（3）在线展示广告中的多粒度广告曝光预估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 广告曝光预估 |
| 1.2.2 广告用户访问预估 |
| 1.3 研究内容 |
| 1.3.1 请求级的广告曝光预估系统(PIF) |
| 1.3.2 广告级的广告曝光预估系统(ACMIF) |
| 1.4 论文的组织安排 |
| 1.5 本章小结 |
| 第2章 预备知识 |
| 2.1 点击率预估(Click-Through Rate Prediction) |
| 2.2 AUC和Logloss |
| 2.3 XGBoost |
| 2.4 本章小结 |
| 第3章 广告用户访问预估 |
| 3.1 系统设计 |
| 3.1.1 挑战 |
| 3.1.2 问题形式化 |
| 3.1.3 深度空间时间张量分解框架 |
| 3.2 实验结果 |
| 3.2.1 实验设置 |
| 3.2.2 评估指标 |
| 3.2.3 对比模型 |
| 3.2.4 实验分析 |
| 3.3 本章小结 |
| 第4章 基于深度学习的请求级广告曝光预估 |
| 4.1 系统设计 |
| 4.1.1 问题形式化 |
| 4.1.2 系统概览 |
| 4.1.3 粗排启发的曝光机会生成模块 |
| 4.1.4 曝光率预估 |
| 4.2 实验结果 |
| 4.2.1 实验设置 |
| 4.2.2 评估指标 |
| 4.2.3 对比模型 |
| 4.2.4 实验分析 |
| 4.3 在线部署方案 |
| 4.4 本章小结 |
| 第5章 基于采样的广告级广告曝光预估 |
| 5.1 系统设计 |
| 5.1.1 基础曝光预估 |
| 5.1.2 调价系数预估 |
| 5.1.3 整体工程框架 |
| 5.2 实验结果 |
| 5.2.1 实验设置 |
| 5.2.2 评估指标 |
| 5.2.3 对比模型 |
| 5.2.4 实验分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）广告布局图片的自动生成和美学质量评价技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 深度学习研究现状 |
| 1.2.2 广告布局图片研究现状 |
| 1.2.3 美学评价研究现状 |
| 1.3 论文主要内容及章节安排 |
| 第二章 广告、图像生成和美学评价综述 |
| 2.1 引言 |
| 2.2 广告的概念 |
| 2.3 图像生成综述 |
| 2.3.1 传统的机器学习方法 |
| 2.3.2 深度学习方法 |
| 2.4 美学评价综述 |
| 2.4.1 图像美学质量评价的基本概念 |
| 2.4.2 图像质量的评价方式 |
| 2.4.3 图像质量的评价指标 |
| 2.5 本章小结 |
| 第三章 基于生成对抗网络的广告布局图片自动生成技术研究 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 生成对抗网络理论技术研究 |
| 3.3.1 生成对抗网络的基本介绍及概念 |
| 3.3.2 生成对抗网络的损失函数 |
| 3.3.3 生成对抗网络的训练过程 |
| 3.3.4 生成对抗网络的变种 |
| 3.4 基于生成对抗网络的广告布局图片自动生成的模型设计与实现 |
| 3.4.1 嵌入网络设计 |
| 3.4.2 布局生成网络设计 |
| 3.4.3 广告布局图片自动生成模型损失函数设计 |
| 3.4.4 广告布局图片自动生成模型实现 |
| 3.5 实验结果和分析 |
| 3.5.1 广告布局图片数据集设计 |
| 3.5.2 训练细节 |
| 3.5.3 基准网络设计 |
| 3.5.4 实验结果展示和分析 |
| 3.6 本章小结 |
| 第四章 广告布局图片美学质量评价研究 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 广告布局图片美学质量数据集设计 |
| 4.4 多任务学习和长短期记忆网络理论技术研究 |
| 4.4.1 多任务学习理论技术研究 |
| 4.4.2 长短期记忆网络理论技术研究 |
| 4.5 美学质量评价网络模型设计与实现 |
| 4.5.1 多属性特征网络设计 |
| 4.5.2 注意网络设计 |
| 4.5.3 语言生成网络设计 |
| 4.5.4 美学质量评价网络实现 |
| 4.6 实验结果分析 |
| 4.6.1 基准网络设计 |
| 4.6.2 实验细节 |
| 4.6.3 结果展示 |
| 4.6.4 比较分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（5）移动应用程序推送广告对非计划购买行为影响的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与问题提出 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 国内外研究现状 |
| 1.3.1 在线广告及在线广告效果 |
| 1.3.2 移动广告及移动广告效果的影响因素 |
| 1.3.3 移动APP推送广告及非计划购买 |
| 1.3.4 研究现状评述 |
| 1.4 研究内容与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 第2章 理论基础及假说发展 |
| 2.1 理论基础 |
| 2.2 假说发展 |
| 2.2.1 品牌与广告态度的关系 |
| 2.2.2 广告重复与购买冲动的关系 |
| 2.2.3 消费者功利动机的调节作用 |
| 2.2.4 广告态度、购买冲动与非计划购买之间的关系 |
| 2.3 本章小结 |
| 第3章 实证研究及研究结果 |
| 3.1 问卷设计 |
| 3.2 数据收集和处理方法 |
| 3.2.1 数据收集 |
| 3.2.2 数据处理方法 |
| 3.3 数据结果分析 |
| 3.3.1 描述性统计分析 |
| 3.3.2 量表信度分析 |
| 3.3.3 量表效度分析 |
| 3.3.4 结构方程模型检验 |
| 3.3.5 调节作用验证 |
| 3.3.6 中介作用验证 |
| 3.4 本章小结 |
| 第4章 研究结果讨论与展望 |
| 4.1 研究结果 |
| 4.2 研究启示 |
| 4.2.1 理论贡献 |
| 4.2.2 实践贡献 |
| 4.3 研究不足与未来研究展望 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士期间发表的学术论文 |
| 致谢 |
（6）基于迁移学习的广告点击率预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常用的广告点击率预测方法 |
| 1.2.2 基于迁移学习的广告点击率预测研究进展及意义 |
| 1.3 本文研究内容与组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 相关理论知识 |
| 2.1 广告点击率相关知识概述 |
| 2.1.1 在线广告简介 |
| 2.1.2 广告数据预处理技术 |
| 2.1.3 广告点击率评估指标 |
| 2.2 相关算法理论知识 |
| 2.2.1 局部线性嵌入 |
| 2.2.2 多视图学习 |
| 2.2.3 迁移学习 |
| 2.3 本章小结 |
| 第三章 迁移学习影响下基于鲁棒性集成局部内核嵌入的广告点击率预测方法 |
| 3.1 引言 |
| 3.2 鲁棒性集成局部内核嵌入 |
| 3.2.1 局部线性嵌入 |
| 3.2.2 重构局部线性嵌入 |
| 3.3 基于迁移学习的鲁棒性集成局部内核嵌入模型 |
| 3.3.1 迁移学习的定义 |
| 3.3.2 基于迁移学习求解相似度函数 |
| 3.3.3 基于迁移学习求解非负嵌入矩阵Y |
| 3.3.4 算法实现详述 |
| 3.4 实验结果分析 |
| 3.4.1 数据集 |
| 3.4.2 比较方法 |
| 3.4.3 评估指标 |
| 3.4.4 模型实验结果 |
| 3.5 本章小结 |
| 第四章 基于多视图特征迁移的广告点击率预测方法 |
| 4.1 引言 |
| 4.2 多视图特征迁移算法 |
| 4.2.1 数据预处理 |
| 4.2.2 多视图特征迁移框架 |
| 4.2.3 算法实现详述 |
| 4.3 实验结果分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果 |
| 4.3.3 特征迁移矩阵的相似度 |
| 4.3.4 对比方法 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 硕士学位期间参与的科研项目和取得的学术成果 |
| 致谢 |
（7）社交网络事件检测分析及应用的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及面临的主要挑战 |
| 1.2.1 国内外研究现状 |
| 1.2.2 面临的主要挑战 |
| 1.3 研究内容与主要贡献 |
| 1.4 组织结构 |
| 第2章 社交网络事件检测和追踪方法 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 事件检测 |
| 2.2.2 事件演变与追踪 |
| 2.2.3 事件预测 |
| 2.3 预备知识 |
| 2.3.1 推特的生态系统 |
| 2.3.2 事件(Event) |
| 2.3.3 隐狄利克雷分配模型(LDA) |
| 2.3.4 Twitter LDA |
| 2.4 事件检测和追踪方法 |
| 2.4.1 问题描述 |
| 2.4.2 事件检测 |
| 2.4.3 事件演变和追踪 |
| 2.5 实验分析 |
| 2.5.1 数据集描述 |
| 2.5.2 标准LDA和Twitter LDA比较 |
| 2.5.3 实体抽取和时间分段 |
| 2.5.4 事件追踪 |
| 2.6 本章小结 |
| 第3章 社交网络事件序列的表示和预测方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于特征的方法 |
| 3.2.2 生成方法 |
| 3.3 预备知识 |
| 3.3.1 问题定义 |
| 3.3.2 时间点过程 |
| 3.3.3 变分自编码器 |
| 3.4 基于变分点过程的事件序列分析模型 |
| 3.4.1 事件的表示和低维嵌入 |
| 3.4.2 生成 |
| 3.4.3 推断 |
| 3.4.4 学习 |
| 3.5 实验分析 |
| 3.5.1 数据集 |
| 3.5.2 模型架构细节 |
| 3.5.3 实现细节 |
| 3.5.4 对比方法 |
| 3.5.5 评价指标 |
| 3.5.6 实验结果 |
| 3.6 本章小结 |
| 第4章 社交媒体上的广告点击率预测方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 点击率预测 |
| 4.2.2 稀疏性问题 |
| 4.3 稀疏因子分解机 |
| 4.3.1 预备知识 |
| 4.3.2 稀疏因子分解机模型 |
| 4.3.3 贝叶斯推断 |
| 4.3.4 分布式实现 |
| 4.4 实验分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 应用情况 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）基于多尺度堆叠网络的点击率预估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 基于传统机器学习模型的预测 |
| §1.2.2 基于深度学习模型的预测 |
| §1.3 论文主要内容 |
| §1.4 论文结构 |
| 第二章 研究相关的理论和技术 |
| §2.1 计算广告与广告投放系统 |
| §2.1.1 在线广告点击与转化 |
| §2.1.2 点击率预估的作用 |
| §2.1.3 点击率预估的应用 |
| §2.2 特征工程 |
| §2.2.1 数据预处理 |
| §2.2.2 编码处理 |
| §2.2.3 特征组合 |
| §2.3 论文相关的深度学习技术 |
| §2.3.1 深度学习基本思想 |
| §2.3.2 反向传播算法 |
| §2.3.3 激活函数 |
| §2.3.4 Dropout机制 |
| §2.3.5 批标准化 |
| §2.4 基于DNN的点击率预估模型 |
| §2.5 论文采用的数据集及评价指标 |
| §2.5.1 点击率预估数据集 |
| §2.5.2 点击率预估评价指标 |
| §2.6 本章小结 |
| 第三章 基于多尺度堆叠网络的点击率预估 |
| §3.1 点击率预估问题模型定义 |
| §3.2 模型设计 |
| §3.2.1 问题分析与思路 |
| §3.2.2 Multi-Scale-Stacking pooling结构 |
| §3.2.3 MSSP-net模型构建 |
| §3.3 模型训练 |
| §3.4 实验及分析 |
| §3.5 超参数分析 |
| §3.6 本章小结 |
| 第四章 融合DNN的多尺度堆叠神经网络模型 |
| §4.1 模型设计 |
| §4.1.1 问题分析与思路 |
| §4.1.2 深度神经网络 |
| §4.1.3 sDeepFM模型构建 |
| §4.2 模型训练 |
| §4.3 实验及分析 |
| §4.3.1 实验方案 |
| §4.3.2 实验结果及分析 |
| §4.4 超参数分析 |
| §4.5 本章小结 |
| 第五章 融合FM的多尺度堆叠神经网络 |
| §5.1 模型设计 |
| §5.1.1 问题分析与思路 |
| §5.1.2 因子分解机 |
| §5.1.3 sDeepFM-2模型构建 |
| §5.2 模型训练 |
| §5.3 实验及分析 |
| §5.3.1 实验方案 |
| §5.3.2 实验结果及分析 |
| §5.4 超参数分析 |
| §5.4.1 激活函数的选择 |
| §5.4.2 Dropout的选择 |
| §5.5 本章小结 |
| 第六章 总结与展望 |
| §6.1 工作总结 |
| §6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（9）基于行为序列挖掘的推荐算法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 推荐系统的发展历史及研究现状 |
| 1.2.2 在线广告的发展现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 基础理论与技术 |
| 2.1 传统的推荐算法 |
| 2.2 基于深度学习的推荐算法 |
| 2.2.1 物品的向量表示 |
| 2.2.2 深度网络模型 |
| 2.3 在线广告 |
| 2.4 本章小结 |
| 第三章 物品画像挖掘技术的研究 |
| 3.1 物品画像的问题与挑战 |
| 3.2 物品画像中数据的预处理 |
| 3.3 物品全局关系表示的算法研究 |
| 3.3.1 用户交互序列的预排序 |
| 3.3.2 物品全局关系图的构造 |
| 3.3.3 引入时间间隔:刻画物品关系强弱 |
| 3.4 物品关系向量的学习研究 |
| 3.4.1 物品关系向量的学习算法 |
| 3.4.2 概率化采样 |
| 3.4.3 物品关系向量的训练 |
| 3.5 本章小结 |
| 第四章 预测模型的构建和训练 |
| 4.1 问题定义 |
| 4.2 模型概述 |
| 4.2.1 用户特征提取网络 |
| 4.2.2 正、负样本物品特征提取网络 |
| 4.2.3 模型训练 |
| 4.3 负采样算法 |
| 4.4 模型预测 |
| 4.5 冷启动问题的处理 |
| 4.6 本章小结 |
| 第五章 DSIM算法在点击率预估系统中的应用案例 |
| 5.1 系统概述 |
| 5.2 需求分析 |
| 5.3 数据建模 |
| 5.3.1 DSIM算法输入数据建模 |
| 5.3.2 点击率预估系统原始数据 |
| 5.3.3 数据预处理 |
| 5.4 系统总体设计 |
| 5.4.1 总体结构设计 |
| 5.4.2 总体计算流程 |
| 5.5 模块详细设计 |
| 5.5.1 离线子模块详细设计 |
| 5.5.2 在线子模块详细设计 |
| 5.6 系统实现 |
| 5.6.1 离线模块系统实现 |
| 5.6.2 在线模块系统实现 |
| 5.7 系统测试 |
| 5.8 本章小结 |
| 第六章 实验与结果分析 |
| 6.1 实验数据 |
| 6.2 评价指标 |
| 6.3 实验设置 |
| 6.4 实验结果 |
| 6.4.1 与其他算法的对比 |
| 6.4.2 超参数的影响分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）实时竞价系统中收益优化算法的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 实时竞价系统的国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文组织结构与安排 |
| 第二章 相关理论与技术 |
| 2.1 在线广告概述 |
| 2.2 实时竞价系统简介 |
| 2.2.1 实时竞价系统架构及角色功能 |
| 2.2.2 实时竞价系统运作流程 |
| 2.3 实时竞价中的关键问题与技术 |
| 2.3.1 点击率预测算法 |
| 2.3.2 预算分配与管理 |
| 2.3.3 出价策略 |
| 2.4 本章小结 |
| 第三章 基于强化学习的点击率预测算法研究 |
| 3.1 引言 |
| 3.2 点击率预测问题描述 |
| 3.3 强化学习基础 |
| 3.4 基于Actor-Critic框架的点击率预测算法 |
| 3.4.1 Actor-Critic框架 |
| 3.4.2 建立模型 |
| 3.5 实验结果与分析 |
| 3.5.1 iPinYou数据集介绍及评价指标 |
| 3.5.2 其他点击率预测对比模型 |
| 3.5.3 实验设置与模型训练 |
| 3.5.4 实验结果评价及分析 |
| 3.6 本章小结 |
| 第四章 预算分配与管理机制 |
| 4.1 引言 |
| 4.2 预算分配问题与投资组合理论 |
| 4.3 基于投资组合理论的预算分配策略 |
| 4.4 广告请求筛选机制 |
| 4.5 预算分配与管理机制实验性能分析 |
| 4.5.1 出价策略设置 |
| 4.5.2 数据集统计与其他实验设置 |
| 4.5.3 预算分配方案与分布拟合的实验结果 |
| 4.5.4 模拟竞价实验结果及分析 |
| 4.6 本章小结 |
| 第五章 出价策略研究 |
| 5.1 引言 |
| 5.2 出价策略问题描述与建模 |
| 5.3 出价函数推导与花费速率调节因子 |
| 5.4 实验设置与出价策略性能分析 |
| 5.4.1 其他常见出价策略 |
| 5.4.2 实验条件设置 |
| 5.4.3 实验结果对比与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
四、在线广告基本步骤（论文参考文献）
- [1]在线广告税收管辖权面临的挑战及对策研究——基于数字经济背景[J]. 焦婵,高远,罗心月. 现代商业, 2022(03)
- [2]基于FM的深度学习模型的在线广告点击率预测研究[D]. 王珂. 上海师范大学, 2021(07)
- [3]在线展示广告中的多粒度广告曝光预估[D]. 吴铮涛. 中国科学技术大学, 2021(08)
- [4]广告布局图片的自动生成和美学质量评价技术研究[D]. 沈佳敏. 南京邮电大学, 2020(03)
- [5]移动应用程序推送广告对非计划购买行为影响的研究[D]. 朱孟洋. 哈尔滨工业大学, 2020(02)
- [6]基于迁移学习的广告点击率预测方法研究[D]. 江丹. 安徽大学, 2020(07)
- [7]社交网络事件检测分析及应用的研究[D]. 潘镇. 中国科学技术大学, 2020(01)
- [8]基于多尺度堆叠网络的点击率预估方法研究[D]. 卢永全. 桂林电子科技大学, 2020(04)
- [9]基于行为序列挖掘的推荐算法研究与应用[D]. 刘欢. 西安电子科技大学, 2020(05)
- [10]实时竞价系统中收益优化算法的研究与实现[D]. 岳威. 电子科技大学, 2020(07)