搜索广告转化率的预测——基于LightGBM和XGBoost.pdfVIP

搜索广告转化率的预测——基于LightGBM 和XGBoost 摘 要 广告，就如同字面上的意思，广泛地向大众宣传告知事件或是事物。21 世纪 大数据和电商等互联网行业得到了巨大的发展，其中搜索广告已经成为商业互联 网广告中重要的一员。它出现在人们使用互联网产品或是上网页等接触到的最多 的一种广告类型，因此其转化率的预测也变成学者们热衷研究的对象。转化率和 点击率不同，它是直接导向是购买，因此高转化率是广告主、广告媒介的重点研 究对象，因为其直接带来的是较高的投入产出比。 本文主要研究搜索广告的转化率预测模型及其特征处理。由于阿里淘宝是目 前中国较大规模的电商平台，其广告几乎都是搜索广告，且近期公开了其一部分 的数据，因此本文的研究数据选择使用开源的阿里平台的2018 年搜索广告的数 据。首先，本文对获取的该数据进行了描述性的统计分析，主要从以下四个角度 进行分析：用户的信息数据、商品的信息数据、店铺的信息数据以及补充的商品 上下文数据信息。然后对数据进行了缺失值处理、文本特征处理和时间处理，在 此数据预处理的基础之上本文对数据进行了特征处理提取，包括隐藏信息提取， 如商品描述详尽程度等;对特征进行分段处理提取，如店铺评价数量等级的分段; 点击率的组合特征提取等。最后得到的数据为：478138 个样本，10075 个不同的 广告商品，以及3959 个不同的商铺，270 个解释变量。 接着本文用Python 分别采用LightGBM 和XGBoost 算法对数据进行搜索广 告转化率预测模型的构建。针对重要超参数，本文还采取了网格搜索的算法进行 较优参数的寻找，确保训练出较好的预测模型。评价方面，本文分别采用了logloss 损失值、auc、rmse （均方误差）以及训练时间对LightGBM 模型和XGBoost 模 型进行了优劣比较。结果显示：对该数据而言，logloss 值、auc 值和rmse 均方误 差值三个评估指标 LightGBM 所得数据均比 XGBoost 更为精确。特别地， LightGBM 的运算效率非常高，比XGBoost 的运算速度快了将近几十倍。 无论是LightGBM 算法还是XGBoost 算法，两者均是近些年以来较前沿的机 器学习算法。本文将 LightGBM 算法和XGBoost 算法应用到搜索广告转化率的 预测模型中，不仅在搜索广告转化率的预测研究中拓宽了算法模型的选择，而且 针对这两个算法而言，也提升了 LightGBM 和XGBoost 算法的使用范围。不过 因为与XGBoost 和 LightGBM 相关的研究都处于比较初步的阶段，且搜索广告 转化率的预测研究也只处在定量研究的初期，因此相关文献较为少见，所以本文 还有很大的提升空间。LightGBM 算法和XGBoost 算法在搜索广告转化率方面的 研究是本文做的一次尝试，还未将该两种算法结合其他机器学习算法进行构建研 究。相信随着未来学者们对LightGBM 和XGBoost 算法研究的深入，以及对搜 索广告转化率研究的逐渐深入，未来定会出现更适合预测模型的相关算法。 关键词：LightGBM ；XGBoost ；搜索广告转化率预测；特征预处理 1 搜索广告转化率的预测——基于LightGBM 和XGBoost Abstract Advertising, as the name suggests, is to inform the general public of a certain thing. In a narrow sense, advertising refers to the advertisement for profit, such as commercial advertisement or economic advertisement. It is a means by which commercial enterprises promote goods or services to consumers or users through adv