A Hierarchical Extreme Learning Machine Algorithm for Advertisement Click-Through Rate Prediction
A Hierarchical Extreme Learning Machine Algorithm for Advertisement Click-Through Rate Prediction
复制标题
用于广告点击率预测的分层极限学习机算法
DOI：
10.1109/access.2018.2868998
复制
发表时间：
2018
期刊：
影响因子：
3.9
通讯作者：
Wendong Xiao
中科院分区：
文献类型：
--
作者：
Sen Zhang;Zheng Liu;Wendong Xiao
点击率（CTR）预测在网络广告中起着重要的作用。点击率预测是一个不平衡数据的二分类问题。现有的许多不平衡学习方法只关注过采样和欠采样，但这些方法肯定忽略了原始数据的一些重要信息。在本文中，我们首先提出了一个加权输出极端学习机（WO-ELM）学习不平衡数据。在WO-ELM和加权极端学习机（W-ELM）的基础上，提出了一种分层极端学习机（H-C-ELM）。H-C-ELM在其结构中具有两个级别。在第一级中，在CTR的不同组合字段上训练WO-ELM和W-ELM（每个字段具有一些属性）。两个极端学习机（ELM）输出CTR的相应组合字段的预测分数。由于WO-ELM和W-ELM的不同，在相同的组合场上，两种ELM的预测结果不同。因此，在第二级中，基于第一级中的两个ELM的输出和实际输出来应用另一ELM，以便提高预测精度。实验结果表明，H-C-ELM方法对不平衡数据的二进制分类比WO-ELM、W-ELM、Stacked autocoder-logistic regression等相关CTR预测算法具有更好的性能。
Click-through rate (CTR) prediction plays a predominant role in the online advertisements. CTR prediction is a problem of binary classification with imbalanced data. Many existing approaches for imbalance learning only focus on over-sampling and under-sampling, but these methods definitely ignore some vital information of the original data. In this paper, we first propose a weighted output extreme learning machine (WO-ELM) to learn the imbalanced data. A hierarchical extreme learning machine (H-C-ELM) is proposed based on the proposed WO-ELM and the weighted extreme learning machine (W-ELM). The H-C-ELM has two levels in its structure. In the first level, the WO-ELM and the W-ELM are trained on different combined fields of the CTR (each field has some attributes). The two extreme learning machines (ELMs) output their predicted scores of the corresponding combined fields of the CTR. The WO-ELM and the W-ELM have different predicted results on the same combined fields because of the difference of the two ELMs. Therefore, in the second level, another ELM is applied based on the outputs of the two ELMs in the first level and the actual outputs in order to improve the prediction accuracy. The experimental results demonstrate that the proposed H-C-ELM method has better performance for the binary classification with imbalanced data than the other related algorithms on CTR prediction, such as the WO-ELM, the W-ELM, and the stacked autoencoder-logistic regression.
登录
查看更多内容
DOI：
--
发表时间：
2013
期刊：
--
影响因子：
--
作者：
Fang Wang;W. Suphamitmongkol;Bo Wang
通讯作者：
Fang Wang;W. Suphamitmongkol;Bo Wang
DOI：
10.1109/bigcomp.2017.7881698
发表时间：
2017
期刊：
2017 IEEE International Conference on Big Data and Smart Computing (BigComp)
影响因子：
--
作者：
Wen-Yuan Zhu;Chun-Hao Wang;Wen-Yueh Shih;Wen-Chih Peng-;Jiun-Long Huang
通讯作者：
Wen-Yuan Zhu;Chun-Hao Wang;Wen-Yueh Shih;Wen-Chih Peng-;Jiun-Long Huang
基于深度置信网络的签名社交网络中链接预测方法
影响因子：
2.7
作者：
Liu, Feng;Liu, Bingquan;Wang, Xiaolong
通讯作者：
Wang, Xiaolong
DOI：
10.1109/ijcnn.2017.7966068
发表时间：
2017-05
期刊：
2017 International Joint Conference on Neural Networks (IJCNN)
影响因子：
--
作者：
E. Tu;Guanghao Zhang;L. Rachmawati;E. Rajabally;Shangbo Mao;G. Huang
通讯作者：
E. Tu;Guanghao Zhang;L. Rachmawati;E. Rajabally;Shangbo Mao;G. Huang
DOI：
10.5120/ijca2016908332
发表时间：
2016
期刊：
--
影响因子：
--
作者：
Dawei Yin;Shike Mei;Bin Cao;Jian-Tao Sun;Deepayan Chakrabarti;Deepak Agarwal;Fang Wanga;Warawut Suphamitmongkola;Haibin Cheng
通讯作者：
Dawei Yin;Shike Mei;Bin Cao;Jian-Tao Sun;Deepayan Chakrabarti;Deepak Agarwal;Fang Wanga;Warawut Suphamitmongkola;Haibin Cheng