4实验结果分析

4.1实验数据集

本次实验采用腾讯提供的移动APP广告转化率预估数据集（http://algo.tpai.qq.com/）来进行测试，主要通过训练集并使用MNN来构建广告转化率预估模型，然后使用测试集来对模型的预测结果进行评价，从而对模型的个性化推荐准确程度进行分析。

为了更好地体现时间序列在转化数据中的重要性，我们采用时间序列抽样算法对数据集的数据进行了时间维度的分层抽样，使得整个数据样本能够尽量在时间序列上均匀分布，进而测试MNN的效果。

RNN类型的神经网络已经在时间序列预测分析等领域被广泛应用，本文所设计的MNN通过对长间隔的依赖信息进行处理和存储来解决RNN所面临的问题。通过调查发现，国内外的许多研究者都在不同程度上对RNN进行过改进，如最近提出的LSTM网络、GRU网络、DGR网络等，这些神经网络算法都在解决时间序列预测问题上得到了比RNN更好的结果。因此，我们将通过损失函数分析和ROC曲线分析来对比RNN、LSTM、GRU、DGR和本文设计的MNN的性能差异。

4.2结果分析

如图4-2所示，在ROC曲线评分方面，在同一训练集上，除了MNN和GRU之外的3种神经网络的AUC都比较接近，而MNN在训练集上的表现最好，这也证明了本文所设计的MNN结构在计算准确度上能够接近目前的主流神经网络结构。

而在logloss方面，如图4-3所示，DGR和LSTM作为目前被google和facebook使用的两种结构，在计算的准确度方面具有压倒性的优势，而MNN作为经典RNN的一种改进，能够在产业竞争信息模型构建的logloss上接近LSTM，说明本文所设计的MNN具有极高的实际应用价值。

5结论

本文提出了一种基于神经网络和广告转化率的个性化推荐模型。通过广告转化数据来构建广告转化模型，采用MNN来训练模型并通过腾讯提供的移动APP广告转化率预估数据集来验证模型的有效性。

通过J3特征筛选算法来对特征进行筛选，来去除无用的特征并将相似的特征进行整合是本文在特征工程的一个创新之处。另外，通过改进对RNN的运算单元添加状态更新算法使之变为MNN，有效的提升了预测模型的准确度，也是本文在循环神经网络结构改进方面的一次成功?的探索。

分享让更多人看到