关于广告、推荐中的CTR的学于思

本文深入探讨了CTR(点击率)预测,从logistics回归、GDBT+LR,到复杂的深度学习模型如FM、FFM、DNN、FNN、PNN、Wide & Deep、DeepFM、NFM、AFM、DCN和DIN。这些模型旨在处理特征相关性,优化特征组合,并在大规模数据上快速运行,尤其在广告和推荐系统中广泛应用。
摘要由CSDN通过智能技术生成

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值