基于用户相似度和特征分化的广告点击率预测研究

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。

基于超混沌系统和离散分数随机变换的图像加密算法

本文结合超混沌系统和离散分数随机变换,提出一种图像加密新方案,并给出实现该算法的光学装置原理图。在加密过程中,利用超混沌系统产生的混沌序列来构造离散分数随机变换(DFRT)的随机矩阵,再将DFRT的阶数和超混沌系统的初始值作为图像加密算法的主密钥,与单纯的离散分数随机变换的图像加密算法相比,在不增加计算负担的情况下,本算法的明文与密文之间具有更高的复杂性,并加大了密钥空间,提高了密钥敏感性。该系统是一个非线性的密码系统,消除了传统加密系统中因为线性过程而存在的不安全因素,提高了加密系统的抗统计攻击和噪声攻击的能力。

在线广告中改进数据分层的动态点击率评估算法

在线广告作为广告主向用户传达信息的载体,在这个信息过载的时代具有重要的意义.点击率是在线广告中的一个重要的指标,能够帮助广告主进行广告性能优化和广告预算投放.然而,由于其数据稀疏性的特征,使得点击率的评估难以达到很高的准确度.为了准确地评估点击率,本文不仅从机器学习中基于决策树分类器的角度加以改进,而且从广告数据本身的角度出发,充分考虑数据本身的层次关系,增加了对点击与展现随时间的演化建模,提出了一种动态点击率模型算法.在真实互联网广告数据中对所设计的算法进行实现,并与传统机器学习的算法做实验对比,AUC值提升幅度达到17%,验证了本文提出的算法是对数据稀疏问题的有效解决方案.

景观施工图设计的影响要素探析

景观施工图对景观的整体呈现效果影响较大,因此必须优化设计景观施工图。此次研究主要是探讨分析景观施工图设计的影响要素,提出科学的规划设计措施。