刘鹏计算广告学听课笔记 第二章：合约广告系统（二）

计算广告学是一门由信息科学、统计学、计算机科学以及微观经济学等学科交叉融合的新兴分支学科。前MediaV

首席科学家、前Yahoo！高级科学家刘鹏开设计算广告学（Computational Advertising）公开课。课程地址：http://study.163.com/course/introduction.htm?courseId=321007#/courseDetail

第二章：合约广告系统

第三节：在线分配问题

广告和推荐系统的异同点：广告是三方博弈（sponsor,medium,audience）；推荐系统是两方博弈(媒体和用户)

两者主要不同：广告主通过媒体去reach用户时有量的需求（guaranteed delivery，有一个固定量下限的需求）；推荐系统是媒体自己推荐，并无明显量的需求

在线分配问题的基本描述：在量的某种限制之下去完成质的优化

下图为Google做法，是一个二部图匹配的问题（受限优化问题）

bia把具体的impression分给某个广告产生的收益（eCPM）

xia是这次impression是否已分给某个广告商，是一个0或1的变量

两者相乘即为整个系统的收益，

constrain：收益<budget

Display ad problem:uia点击率

两者框架类似，应用对象不同

解决受限优化比较通用的方法：拉格朗日方法

slide for reference

在线分配的算法和离线分配的算法相比，不要相差太远

compact allocation plan：不能存储任何和impression有关的状态变量，只能存储和合约或者广告相关的变量，这样规模会比较小

HWM（High Water Mark）算法（Yahoo），在流量预测的基础上进行allocation

如果有1000个节点，在MPI中，这1000个节点协同来完成这个工作，之间存在各种通信和数据交换，

如果其中1个节点出现错误，会导致整个task的失败。在海量数据中，任务失败的概率会更高，

从这个方面去考虑，Map/Reduce更有优势。用户级的数据，如广告，数据量较大，Map/Reduce更有优势。

在文档级的运算中，Map/Reduce不一定是最合适的。

Storm和Hadoop的区别：storm是在调度数据，不是在调度计算

如果一个机器上Run十个Map，Combine的作用是将这十个Map做一个汇总，使之更小。减少机器之间的通信

Map阶段：将输入的每一个词分割开打印出来

指数族分布：在工程上应用广泛

指数族分布：最大似然估计可以通过充分统计量链接到数据；mapper统计，reducer求解参数
指数族混合分布：一次迭代求解不了参数，使用EM多次迭代

对于高斯分布来说ux即为样本的和与样本的平方和

map的过程是去收集充分统计量

如果实际上不是一个指数族或者混合分布的模型，可以使用梯度族的方法去解决

最大熵，条件分布不是指数族，用梯度族去做

可以让离线的数据变得容易控制和升级