2. 程式人生 > >基於深度學習的廣告CTR預估演算法

基於深度學習的廣告CTR預估演算法

阿新 • • 發佈：2018-11-25

數十款阿里雲產品限時折扣中，趕緊點選這裡，領劵開始雲上實踐吧！   演講嘉賓簡介： 朱小強，花名懷人，阿里媽媽高階演算法專家，領導了核心的排序演算法與機器學習平臺團隊，負責阿里精準展示廣告的CTR/CVR預估系統/演算法和架構的設計優化、大規模分散式機器學習/深度學習平臺建設等工作。   本次直播視訊精彩回顧，戳這裡！  本次直播視訊PDF下載！    以下內容根據演講嘉賓視訊分享以及PPT整理而成。
   本次的分享主要圍繞以下三個方面：   一、CTR預估問題的特點與挑戰——以阿里定向廣告為例 網路爬蟲技術入門 二、基於深度學習的CTR預估演算法演化——內外兼修之道 三、總結與展望——新的起點      一、CTR預估問題的特點與挑戰——以阿里定向廣告為例 下圖中可以看到手機淘寶端的定向廣告形態。左邊是首焦場景，在淘寶頂端的位置會有浮動的Banner廣告。右邊是往下滑動時候的導購場景（猜你喜歡區塊），投放的是Item廣告。這些不同形態的定向廣告背後其實有一些內在的、從machine learning視角來看相似的特徵。簡單來說，可以歸納為幾個方面，一個方面是廣告中展現的創意圖片，第二個是圖片的文字資訊，還有一些在背後看不到摸不到的統一的ID體系，比如某件商品是什麼商品，屬於哪個品牌等等資訊。定向廣告複雜多樣的富媒介形態以及高維海量資料空間，給廣告點選率預估問題帶來了不小的挑戰。

相關推薦

基於深度學習的廣告CTR預估演算法

數十款阿里雲產品限時折扣中，趕緊點選這裡，領劵開始雲上實踐吧！   演講嘉賓簡介： 朱小強，花名懷人，阿里媽媽高階演算法專家，領導了核心的排序演算法與機器學習平臺團隊，負責阿里精準展示廣告的CTR/CVR預估系統/演算法

深度學習在CTR預估中的應用

搜索 前言 deep 帶來 python 2017年 進入 訓練 信息 歡迎大家前往騰訊雲+社區，獲取更多騰訊海量技術實踐幹貨哦~ 本文由鵝廠優文發表於雲+社區專欄 一、前言 二、深度學習模型 1. Factorization-machine（FM） FM = LR

深度學習在CTR預估的應用

深度學習在各個領域的成功 深度學習在影象和音訊等方向比傳統方向有大的提升，導致很多產品能快速落地 第一行三張圖片代表圖片和音訊方向相比傳統提升30%-50%，第二行第一張代表深度學習在自然語言處理方面方向的應用(相比傳統學習方法有提升，但是提升效果有限)，後兩張代表生成式模型(生成圖片

聊聊CTR預估演算法DeepFM

DeepFM這種演算法是一種基於分解機的神經網路，該演算法由哈爾濱工業大學深圳研究生院聯合華為諾亞方舟實驗室於2017年提出的。 這種演算法是一種端到端的學習模型，不僅考慮了低階的特徵融合，也考慮了高階的特徵融合。該演算法利用深度學習來學習特徵，利用分解機做推薦。

基於深度學習的影象語義分割演算法綜述（截止20180715）

這篇文章講述卷積神經網路在影象語義分割（semantic image segmentation）的應用。影象分割這項計算機視覺任務需要判定一張圖片中特定區域的所屬類別。 這個影象裡有什麼？它在影象中哪個位置？ 更具體地說，影象語義分割的目標是將影象的每個畫素所

計算廣告CTR預估系列(一)--DeepFM理論

計算廣告CTR預估系列(一)–DeepFM理論 本文首發於公眾號： 機器學習薦貨情報局 認真閱讀完本文，抓住DeepFM的理論核心不成問題！ 配合《計算廣告CTR預估系列(二)–DeepFM實踐》食用更佳！敬請期待。。。 De

用機器學習對CTR預估建模（一）

資料集介紹： train - Training set. 10 days of click-through data, ordered chronologically. Non-clicks and clicks are subsampled acco

基於深度學習的影象語義分割演算法綜述

   作者： 葉  虎            編輯：趙一帆           前  言本文翻譯

計算廣告CTR預估的特徵處理方法

1.CTR預估，發現CTR預估一般都是用LR，而且特徵都是離散的。為什麼一定要用離散特徵呢？這樣做的好處在哪裡？ A:在工業界，很少直接將連續值作為邏輯迴歸模型的特徵輸入，而是將連續特徵離散化為一系列0、1特徵交給邏輯迴歸模型，這樣做的優勢有以下幾點： 離散特徵的增加

論文分析--《基於深度學習的人臉表情識別演算法研究_宋新慧》

1.摘要：文章中提出的演算法：1）針對靜態的影象：細節感知遷移網路      資料集：CK+；Kaggle2）針對視訊序列：利用多工學習的遞迴神經網路      資料集：I-PFE2.本文工作：1）基於細節感知遷移網路的人臉表情識別：傳統特徵提取方法存在的問題：光照、角度等影

基於深度學習的目標檢測演算法綜述（一）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40047760 目標檢測（Object Detection）是計算機視覺領域的基本任務之一，學術界已有將近二十年的研究歷史。近些年隨著深度學習技術的火熱發展，目標檢測演算法也從基於手工特徵的傳統演算法轉向了基於深度神經網路的檢測技

基於深度學習的目標檢測演算法綜述（三）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40102001 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經

基於深度學習的目標檢測演算法綜述（二）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40020809 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經

學習筆記之——基於深度學習的目標檢測演算法

        國慶假期閒來無事~又正好打算入門基於深度學習的視覺檢測領域，就利用這個時間來寫一份學習的博文~本博文主要是本人的學習筆記與調研報告（不涉及商業用途），博文的部分來自我團隊的幾位成員的調研報告（由於隱私關係，不公告他們的名字了哈~），同時結合

基於深度學習的目標檢測演算法綜述：演算法改進

想了解深度學習的小夥伴們，看一下！ 以後自己學深度學習了，再來看此貼！ 只能發一個連結了： https://mp.weixin.qq.com/s?__biz=MzU4Nzc0NDI1NA==&mid=2247483731&idx=1&sn=37667093807751

[分享] Python實現的基於深度學習的手寫數字識別演算法

本文將採用深度學習中的卷積神經網路來訓練手寫數字識別模型。使用卷積神經網路建立合理的模型結構，利用卷積層中設定一定數目的卷積核（即濾波器），通過訓練資料使模型學習到能夠反映出十個不同手寫提數字特徵的卷積核權值，最後通過全連線層使用softmax函式給出預測數字圖對應每種數字可能性的概率多少。 本文以學習基於

基於深度學習的目標檢測演算法綜述（一）

前言 目標檢測（Object Detection）是計算機視覺領域的基本任務之一，學術界已有將近二十年的研究歷史。近些年隨著深度學習技術的火熱發展，目標檢測演算法也從基於手工特徵的傳統演算法轉向了基於深度神經網路的檢測技術。從最初2013年提出的R-CNN、OverFeat

基於深度學習的目標檢測演算法綜述（二）

前言 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經典論文的升級版本。 2. 解決方案。這部分論文對物體檢

基於深度學習的CT影象肺結節自動檢測技術一——資料預處理（歸一化，資料增強，資料標記）

開發環境 Anaconda:jupyter notebook /pycharm pip install SimpleItk # 讀取CT醫學影象 pip install tqdm # 可擴充套件的Python進度條，封裝

基於深度學習的文字分類6大演算法-原理、結構、論文、原始碼打包分享

    導讀：文字分類是NLP領域一項基礎工作，在工業界擁有大量且豐富的應用場景。傳統的文字分類需要依賴很多詞法、句法相關的human-extracted feature，自2012年深度學習技術快速發展之後，尤其是迴圈神經網路RNN、卷積神經網路CNN在NLP領域逐漸獲得廣