ترجمه فارسی مقاله الگوریتم بهبود یافته Adaboost برای پیش‌بینی کلیک تبلیغات وب مبتنی بر شبکه‌های حافظه بلند مدت کوتاه مدت

چکیده

This paper explores an improved Adaboost algorithm based on Long Short-Term Memory Networks (LSTMs), which aims to improve the prediction accuracy of user clicks on web page advertisements. By comparing it with several common machine learning algorithms, the paper analyses the advantages of the new model in ad click prediction. It is shown that the improved algorithm proposed in this paper performs well in user ad click prediction with an accuracy of 92%, which is an improvement of 13.6% compared to the highest of 78.4% among the other three base models. This significant improvement indicates that the algorithm is more capable of capturing user behavioural characteristics and time series patterns. In addition, this paper evaluates the model’s performance on other performance metrics, including accuracy, recall, and F1 score. The results show that the improved Adaboost algorithm based on LSTM is significantly ahead of the traditional model in all these metrics, which further validates its effectiveness and superiority. Especially when facing complex and dynamically changing user behaviours, the model is able to better adapt and make accurate predictions. In order to ensure the practicality and reliability of the model, this study also focuses on the accuracy difference between the training set and the test set. After validation, the accuracy of the proposed model on these two datasets only differs by 1.7%, which is a small difference indicating that the model has good generalisation ability and can be effectively applied to real-world scenarios.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک الگوریتم Adaboost بهبود یافته بر اساس شبکه های حافظه کوتاه مدت کوتاه (LSTM) بررسی شده است ، که هدف آن بهبود دقت پیش بینی کلیک کاربر در تبلیغات صفحه وب است.با مقایسه آن با چندین الگوریتم یادگیری ماشین مشترک ، این مقاله مزایای مدل جدید را در پیش بینی کلیک آگهی تجزیه و تحلیل می کند.نشان داده شده است که الگوریتم بهبود یافته ارائه شده در این مقاله در پیش بینی کلیک تبلیغات کاربر با دقت 92 ٪ عملکرد خوبی دارد ، که این بهبود 13.6 ٪ در مقایسه با بالاترین 78.4 ٪ در بین سه مدل پایه دیگر است.این پیشرفت قابل توجه نشان می دهد که الگوریتم قادر به ضبط ویژگی های رفتاری کاربر و الگوهای سری زمانی است.علاوه بر این ، این مقاله عملکرد مدل را در سایر معیارهای عملکرد ، از جمله دقت ، فراخوان و نمره F1 ارزیابی می کند.نتایج نشان می دهد که الگوریتم Adaboost بهبود یافته مبتنی بر LSTM به طور قابل توجهی از مدل سنتی در تمام این معیارها جلوتر است ، که بیشتر اثربخشی و برتری آن را تأیید می کند.به خصوص هنگام مواجهه با رفتارهای پیچیده و پویا در حال تغییر کاربر ، این مدل قادر به سازگاری بهتر و پیش بینی های دقیق است.به منظور اطمینان از عملی و قابلیت اطمینان مدل ، این مطالعه همچنین بر تفاوت دقت بین مجموعه آموزش و مجموعه آزمون متمرکز است.پس از اعتبارسنجی ، دقت مدل پیشنهادی در این دو مجموعه داده فقط 1.7 ٪ متفاوت است ، که این یک تفاوت کوچک است که نشان می دهد این مدل از توانایی عمومی سازی خوبی برخوردار است و می تواند به طور مؤثر در سناریوهای دنیای واقعی اعمال شود.