运用Logistic回归模型进行广告点击率预测

小生是一名在校学生，研究方向是IR，平日对ML、DM非常感兴趣，以下内容均是学习总结，才疏学浅，难免有错误之处，希望大家带着“批判”视角来看本文... 如能提出宝贵意见or建议，不胜感激~

正题：

        广告点击率估计对广告排序具有较大影响。 点击率估计是指在给定网页和用户的情况下，估计所投放的广告被点击次数占展示总次数的比例。

        广告点击率预测在CPC广告排序中是不可缺少的环节，根据一个user或者一个query，算出该将什么样的广告投放给user，以使得supply方利益最大化. 但是不能一味的从supply方的利益考虑，还要充分考虑demand方、user方的利益，为了更好的权衡这三方的关系，所以决定投放给特定user 的广告所用到的特征必须包括这三方的特征，主要特征：

1). Demand方：商品/广告信息，如文字描述、类目、价格、成交量等；卖家信息，信誉度、收藏数据量等(针对电商)

2). User方：历史搜索、点击、购买、收藏记录等

3). 其他信息：季节、节假日等  

（注：以上特征来自 一淘广告ML平台 蒋龙老师的ppt）

-----------------------------------------------------------------------------

        对于supply方来讲，就是要根据包含以上特征的历史数据，运用最优化方法(如梯度下降、似然估计等)求得参数theta(向量)，跟对特定的user或者query，使用Logistic回归模型去算每一个广告的点击率CTR,

然后根据：RankSorce  = CTR * BidPrice；对广告进行排序, 选择最大的RankSorce对应的广告，投放给用户。

--------------------------------------------------------------------------------------------------------------------------------------

（以下是实现，由于暂时没有真实数据，只能用别的数据来'模拟'这样一个过程，思路和方法最重要）

小注： 按照点击量计费的广告计价模式是1997年Goto.com率先提出的，基于点击的广告计价有两种模型：统一费率模型和基于拍卖的模型。而上面所述的就是基于拍卖的模型。