负采样后的CTR预估矫正

在搜广推场景中，正负样本不平衡是个普遍现象。通常做法是对负样本进行降采样，但采样后训练的模型预估概率会比实际概率高估。

举例来说，线上真实样本的CTR是0.001，即正负样本比为1:1000。现对负样本降采样$w=0.01$，即采样后正负样本比为1:10，那么训练后的模型预估CTR为0.1，出现高估的情况。

预估率矫正推导如下：

• $N_{pos}$ 为线上正样本个数
• $N_{neg}$ 为线上负样本个数
• $N_{neg\_down}$ 为降采样后的负样本个数
• $w$ 为降采样概率
• $q$ 为线上CTR
• $p$ 为模型预估CTR

$$\begin{array}{rl}{N}_{neg\_down}& =N_{neg}\ast w\\ p& =\frac{N_{pos}}{N_{neg\_down}+N_{pos}}\\ q& =\frac{N_{pos}}{N_{neg}+N_{pos}}\\ \frac{\frac{1}{p}-1}{w}& =\frac{1}{q}-1\\ q& =\frac{p}{p+\frac{1-p}{w}}\end{array}$$

---

参考

• Practical Lessons from Predicting Clicks on Ads at
  Facebook
• CTR模型中的频率矫正过程