عنوان پایان‌نامه
ارزیابی و انتخاب محتوای تبلیغات مناسب بر اساس رویکردهای یادگیری تقویتی به منظور کاربرد برای ناشران تبلیغات در فضای وب
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2901;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74380
- تاریخ دفاع
- ۲۰ بهمن ۱۳۹۴
- دانشجو
- حسین نظری کله جوب
- استاد راهنما
- مسعود اسدپور
- چکیده
- تبلیغات اینترنتی مورد توجه ویژه سیستم های پیشنهاد دهنده قرار گرفته است. دلیل اصلی این امر کاهش هزینه های پرداختی برای نشر تبلیغات است. سیستم های پیشنهاد دهنده برای تبلیغات اینترنتی از مدل های برخط بهره میبرند، زیرا یادگیری با استفاده از مدل های برون خط نیازمند زمان بیشتری است. عملکرد یک سیستم از جنبه های متفاوت و قابل اندازه گیری ارزیابی می شود. که شامل مواردی همچون سرعت آموزش، مصرف حافظه و دقت پیش بینی کلیک می شود. ما مدل جدیدی برای حل مسأله پیش بینی نرخ جریان کلیک با استفاده از جدول تبدیل ارائه داده ایم. این مدل نه تنها مسأله تنک بودن نمونه ها را برطرف می کند بلکه می تواند بصورت برخط آموزش و بروزرسانی شود. مدل جدول تبدیل یک نگاشت است که مقدار ویژگی های نمونه ها را به یک عدد تبدیل کرده و مرحله آموزش را بر روی نمونه های جدید که شامل این اعداد هستند انجام می دهد. نتایج بدست آمده از آزمایشات مؤثر بودن راه حل ما را نشان می دهد. جدول تعداد کلیک زمان یادگیری را 30 درصد و فضای مورد استفاده برای ذخیره سازی نمونه ها را 40 درصد کاهش می دهد. کلمات کلیدی: تبلیغات اینترنتی، سیستم پیشنهاد دهنده، پیش بینی نرخ کلیک، جدول تبدیل، مدل برخط
- Abstract
- Internet advertising attracts special attention from recommender systems. The main reason for selecting this approach is to decay the advert publishing cost. Recommender systems using online models. This is because training offline models need more time. The performance of these systems can be evaluated in measurable, technical terms. These include learning speed, memory usage and click prediction accuracy. We propose a new model for solving CTR prediction problem by using Transform Table. This model not only solves the sparsity of training samples, but also can be trained and updated online. Transform Table is a map that converts sample feature values to numerical values and training model on these new samples. The results of the experiments prove the effectiveness and efficiency of our solution. Click Count Table Reduce learning time by 30 percent and storage space by 40 percent. Keywords: Internet Advertising, recommendation systems, click-through rate prediction, transform table, online model
