随着互联网的发展，越来越多的用户的数据被记录了下来，大量的线上线下数据为纷繁的应用带来了可能。在线上，用户的点击、浏览等行为数据，反映着用户的兴趣与需求，可以极大地提升在线广告、营销等的效果；在线下，用户的行为轨迹数据，反映着用户的热点区域，同时也反映着群体的行为模式，可以为下线的营销推荐带来数据支持，也可以为公共安全、城市计算等带来帮助。
因此，我们基于用户的海量的线上线下数据，结合深度学习模型开展研究，一方面对用户喜好、可能的浏览点击、行为轨迹实现尽可能准确的预测；另一方面，通过预测用户未来的行为做出相应的推荐。我们课题组的几个代表性工作如下。
基于卷积神经网络的点击预测
在线广告的蓬勃发展引爆了对广告点击率预测的越来越大的需求。对于单广告条目，现有方法可以建模其中元素的成对关系，但无法建模关键特征的全局交互特性。除此之外，现有的序列预测技术中的转移矩阵随时间改变而不变，难以掌握变化的特性，且无法甄别出关键的特征。因此，我们根据卷积神经网络提出了卷积点击预测模型（
CCPM
）。卷积点击预测模型可以在元素数量可变的输入中提取出局部和全局的关键特征，可以有效地应用于单广告条目和序列广告条目中。在现实数据中的实验结果表明，卷积点击预测模型在点击预测上取得了很好的效果。
详细内容：
Qiang Liu, Feng Yu, Shu Wu and Liang Wang, A Convolutional Click Prediction Model, ACM International Conference on Information and Knowledge Management (CIKM), 2015.
原文链接：
https://mp.weixin.qq.com/s/QBYAEmr-yaOlczsJQJbeVg
