二元逻辑回归(Logistic Regression, LR)模型
几率(odds:
对数形式:
基于LR的点击率预測
Where, x代表一个(query, ad)相应的特征向量, y 属于{1,0}分别代表点击和不点击,p(y=1|x)就代 表给定query下,某ad的点击率
点击率预測特征
广告创意特征:
图片,标题文字,价格,销量
推广商品所属类目,包括属性
创意组,推广计划,广告主
Query信息:包括的Terms-Query分析:类目,属性-Query扩展:同义词,相似query
环境特征: 用户,时间
名义特征: 时间,创意ID等
点击反馈特征 :计算历史上包括该特征的(query, ad)的点击率
ad所属广告计划的历史点击率
组合特征 :query与ad标题匹配的term个数
位置偏差
位置偏差(position bias)
–如果:不同位置上的广告被用户看到的概率不 同,排位靠前的广告被看到的概率更大,导致其点击率“天然”更高一些
解决方式一:
–(Cheng and Cantú-Paz, 2010)
• 计算广告CTR时用不同排位上的平均ctr进行调整
解决方式二:
–Online Learning from Click Data for Sponsored Search. (Ciaramitaet al., 2008)
• 仅仅有当排位低的广告被点击而排位高的广告没有被 点击时,才使用这些广告作为训练数据
个性化
Personalized Click Prediction in Sponsored Search. –HaibinCheng, Erick Cantú-Paz. WSDM. 2010.
• 如果:query同样时,不同user对不同ad的点击率 也相差较大
• 解决方式:添�user特征到LR模型里,预估 p(c|q,a,u)
–Demographic特征
• 如年龄,性别,婚姻状况,职业,兴趣等
–User-specific特征
• 如用户历史CTR,user组合特征(User-Ad, User-Query)
广告间相互影响
Relational Click Prediction for Sponsored Search –ChenyanXiong, TaifengWang, WenkuiDing, YidongShen,
Tie-Yan Liu. WSDM 2012.
• 如果:某条广告的点击率会受到同一时候展现的其它广 告的影响
• 解决方式:同一时候预估全部广告的点击率,考虑广告 间的相互影响
–广告间的相似度
–Continuous CRF model with MLE
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/118982.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】:
Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】:
官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...