关于广告、推荐中的CTR的学于思

CTR

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。

logistics回归(LR)：

• 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

• 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

• 没有考虑特征之间的相关性，没有特征进行组合

• 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

• 使用GDBT可以组合特征，增强特征的表达能力
• 通过控制GDBT中树的个数和每颗树的树叶个数来对数据进行降维

Facebook经典模型LR+GBDT理论与实践 《Practical Lessons from Predicting Clicks on Ads at Facebook》

FM：

FM通过对每个特征都学习一个隐变量，从而考虑到特征之间的关系。

• 考虑特征之间的关系，增强了模型的泛化能力
• 通过对目标函数巧妙的分解合并，可以O(N)时间复杂度下完成
• 适合处理稀疏数据。相对来说SVM就不能用来处理稀疏的数据。

补充：FM一般结合GDBT来提高模型性能，即用GDBT的输出作为FM的输入