逻辑回归

二元逻辑回归(Logistic Regression, LR)模型

几率(odds:

对数形式：

基于LR的点击率预测

Where, x代表一个(query, ad)对应的特征向量, y 属于{1,0}分别代表点击和不点击，p(y=1|x)就代 表给定query下，某ad的点击率

点击率预测特征

广告创意特征：

图片，标题文字，价格，销量 

推广商品所属类目，包含属性

创意组，推广计划，广告主

Query信息：包含的Terms-Query分析：类目，属性-Query扩展：同义词，相似query

环境特征： 用户，时间

名义特征： 时间，创意ID等

点击反馈特征 ：计算历史上包含该特征的(query, ad)的点击率

ad所属广告计划的历史点击率

组合特征 ：query与ad标题匹配的term个数

位置偏差

位置偏差(position bias) 

–假设：不同位置上的广告被用户看到的概率不 同，排位靠前的广告被看到的概率更大，导致其点击率“天然”更高一些

解决方案一：

–(Cheng and Cantú-Paz, 2010)

• 计算广告CTR时用不同排位上的平均ctr进行调整

解决方案二:

–Online Learning from Click Data for Sponsored Search. (Ciaramitaet al., 2008) 

• 只有当排位低的广告被点击而排位高的广告没有被 点击时，才使用这些广告作为训练数据

个性化
Personalized Click Prediction in Sponsored Search. –HaibinCheng, Erick Cantú-Paz. WSDM. 2010. 

• 假设：query相同时，不同user对不同ad的点击率 也相差较大 

• 解决方案：加入user特征到LR模型里，预估 p(c|q,a,u) 

–Demographic特征

• 如年龄，性别，婚姻状况，职业，兴趣等

–User-specific特征

• 如用户历史CTR，user组合特征(User-Ad, User-Query)

广告间相互影响

Relational Click Prediction for Sponsored Search –ChenyanXiong, TaifengWang, WenkuiDing, YidongShen,  

Tie-Yan Liu. WSDM 2012.

• 假设：某条广告的点击率会受到同时展现的其他广 告的影响 

• 解决方案：同时预估所有广告的点击率，考虑广告 间的相互影响 

–广告间的相似度

–Continuous CRF model with MLE