广告计算——平滑CTR
来源:互联网 发布:淘宝优惠券jp519 编辑:程序博客网 时间:2024/06/07 15:19
一、广告计算的基本概念
1、广告的形式
在互联网发展的过程中,广告成为了互联网企业盈利的一个很重要的部分,根据不同的广告形式,互联网广告可以分为:
- 展示广告(display ads)
- 赞助商搜索广告(sponsored search)
- 上下文广告(contextual advertising)
2、竞价模型
对于在线广告,主要有如下的几种竞价模型:
- 按展示付费(pay-per-impression):直观来讲,按展示付费是指广告商按照广告被展示的次数付费,这是一种最普遍的竞价模型;
- 按行为付费(pay-per-action):按行为付费是指只有在广告产生了销售或者类似的一些转化时,广告商才付费;
当然,对于以上的两种竞价模型各有其局限性:在按展示付费模型中,压根没有考虑到广告的效果,只是按照广告流量进行售卖的模式;对于按行为付费模型,虽然其考虑到了广告效果,但其的条件是产生了某种转化,这种转化有时很难追踪和记录。此时,为了解决这两种模型的局限性,通常可以按照一个用户是否会点击广告作为最终的度量标准,即按点击付费模型(pay-per-click)。
- 按点击付费(pay-per-click):根据用户是否会点击广告来付费。
这里便出现了一个重要的概念,便是广告点击率(the click-through rate, CTR)。
3、广告点击率(CTR)
广告点击率CTR是度量一个用户对于一个广告的行为的最好的度量方法,广告点击率可以定义为:对于一个广告的被点击(click)的次数于被展示(impression)的次数的比值。
广告点击率对于在线广告有着重要的作用,在网络中,对于有限的流量,通常要选择出最优质的广告进行投放,此时,CTR可以作为选择广告和确定广告顺序的一个重要的标准。
但是在计算CTR时,由于数据的稀疏性,利用上述的计算方法得到的CTR通常具有较大的偏差,这样的偏差主要表现在如下的两种情况:
- 1、例如展示impression的次数很小,如
1 次,其中,点击的次数也很小(这里的很小是指数值很小),如1 ,按照上述的CTR的计算方法,其CTR为1 ,此时的点击率就被我们估计高了; - 2、例如展示的次数很大,但是点击的次数很小,此时,利用上述的方法求得的CTR就会比实际的CTR要小得多。
出现上述两种现象的主要原因是我们对分子impression和分母click的估计不准确引起的,部分原因可能是曝光不足等等,对于这样的问题,我们可以通过相关的一些广告的展示和点击数据对CTR的公式进行平滑处理。
二、CTR的平滑方法
1、数据的层次结构——贝叶斯平滑
假设有
贝叶斯思想认为,隐含的参数不是一个具体的值,而是满足某个分布,我们知道贝叶斯参数估计的基本过程为:
先验分布+数据的知识=后验分布
已知二项分布的共轭分布为Beta分布,对此,有以下的两点假设:
- 1、对于一个广告,其点击
Ci 符合二项分布Binomial(Ii,ri) ,其中,Ii 表示的是展示的次数,ri 表示的是广告被点击的概率; - 2、对于所有的广告,有其自身的CTR,其CTR满足参数是
α 和β 的贝塔分布Beta(α,β) 。
假设有
其对应的概率图模型为:
点击率
所以,现在,我们需要求解参数
点击
已知
则上式可以写成:
此时,我们需要求得该似然函数的最大值,首先,我们对上述的似然函数取对数,即为:
将上述的log似然函数分别对
其中,the fixed-point iteration
方法,可以得到如下的结果:
上述的求解过程是一个迭代的过程,一旦求出了参数
2、数据在时间上的一致性——指数平滑
相比上述的贝叶斯平滑,指数平滑相对要简单点,对于CTR中的点击,这是个与时间相关的量,假设对于一个广告,有
其中,
参考文献
- Click-Through Rate Estimation for Rare Events in Online Advertising.Xuerui Wang, Wei Li, Ying Cui, Ruofei (Bruce) Zhang, Jianchang Mao Yahoo! Labs, Silicon Valley United States
- 计算广告——平滑CTR
- 【转载】广告计算——平滑CTR
- 广告计算——平滑CTR
- 广告推荐系统—CTR&LR模型评价
- 推荐广告系统—CTR在业务层面的意义
- 计算广告——广告定向实践
- 计算广告——广告定向实践
- 计算广告——搜索广告技术初窥
- 【计算广告学习笔记】——[1]广告系统了解
- 广告点击率平滑
- CTR——人工神经网络+决策树
- CTR——人工神经网络+决策树
- 广告推荐系统-CTR&LR背景
- 广告点击率(ctr)预估中的特征选择
- 广告CTR:Decision tree + LR 混合模型
- 在线广告预估ctr的AUC计算方法
- [笔记]CTR预估中的贝叶斯平滑方法及其代码实现
- [笔记]CTR预估中的贝叶斯平滑方法及其代码实现
- centos 安装 rabbitmq
- UITextField监控输入文字变化方法
- Ubuntu 14.04快速搭建SVN服务器及日常使用
- 什么是互联网时代的新雇佣关系?
- 牛客网-直通BAT面试算法精品课购买优惠码
- 广告计算——平滑CTR
- QT 实现固定大小圆形进度条
- 背包问题 II
- mybatis-maven-generator
- RecyclerView添加点击事件与效果
- DES加密
- cocos2DX-MD5
- Android 软键盘--的控制
- Flex 布局教程:实例篇