基于长短期记忆网络的改进Adaboost算法用于网页广告点击预测
机器学习
2024-08-13 v1 人工智能
信息检索
社会与信息网络
摘要
本文探讨了一种基于长短期记忆网络（LSTM）的改进Adaboost算法，旨在提高用户点击网页广告的预测准确率。通过与几种常见机器学习算法进行比较，分析了新模型在广告点击预测中的优势。结果表明，本文提出的改进算法在用户广告点击预测中表现良好，准确率达到92%，较其他三个基模型中最高的78.4%提升了13.6%。这一显著的改进表明，该算法在捕获用户行为特征和时间序列模式方面更具能力。此外，本文评估了模型在其他性能指标（包括准确率、召回率和F1分数）上的表现。结果显示，基于LSTM的改进Adaboost算法在所有这些指标上均显著优于传统模型，这进一步验证了其有效性和优越性。尤其在应对复杂且动态变化的用户行为时，模型能够更好地适应并进行准确预测。为确保模型的实用性和可靠性，本研究还关注训练集和测试集之间的准确率差异。经过验证，本文提出的模型在这两个数据集上的准确率仅相差1.7%，这一较小差异表明该模型具有良好的泛化能力，可有效应用于实际场景。
引用
@article{arxiv.2408.05245,
title = {Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks},
author = {Qixuan Yu and Xirui Tang and Feiyang Li and Zinan Cao},
journal= {arXiv preprint arXiv:2408.05245},
year = {2024}
}