关于CTR预测的一个总结

最近在学习CTR预测，在此做个总结，便于以后回忆。

CTR预测就是对用户是否点击广告进行预测，其实可以看成二分类问题，即点和不点。因此，自然会想到用logistics回归来完成这个任务。

logistics回归(LR)：

优点：

1、logistics输出的是概率，可以较为直观的解释用户点击广告的几率

2、计算目标函数的复杂度O(N)，计算速度快，所以比较适合处理大数据

缺点：

1、没有考虑特征之间的相关性，没有特征进行组合

2、为了提高模型性能，在模型训练之前，需要做很多的特征工程

GDBT+LR:

使用GDBT的输出作为LR的输入

优点：

1、使用GDBT可以组合特征，增强特征的表达能力