点击率预估（CTR）之传统输入方法描述和常用数据集

目录

CTR问题定义：

传统输入描述（one_hot）:

常用数据集

---

CTR问题定义：

点击率预测（Click-Through Rate Prediction）是根据给定广告、用户和上下文情况等信息，对每次广告（或者商品）的点击情况做出预测。其中，对于用户历史行为数据的挖掘尤为重要，从这些历史行为中我们可以获取更多的关于用户兴趣的信息，从而帮助作出更准确的CTR预估。预估准确性直接影响公司收入。CTR预估中用的最多的模型是LR（Logistic Regression）、DIN等；

传统输入描述（one_hot）:

例如给定一个样本数据如：

 

 

是否点击	国家	日期	广告商品类型
1	日本	19.1.12	电影
0	美国	19.1.10	游戏
1	日本	19.1.12	游戏

上述的三个特征都是非线性的，因此如果将其特征表示为向量形式，只能采用独热编码的方式（one-hot）：

标签	美国	日本	19.1.10	19.1.12	电影	游戏
1	0	1	0	1	1	0
0	1	0	1	0	0	1
1	0	1	0	1	0	1

因此，上述特征的编码形式存在一定的问题，一是一般categories特征经过one-hot编码以后，样本数据会变得很稀疏，假设有10万个item，如果对item的这个维度进行one-hot编码，这个维度的数据稀疏性就是十万分之一，所以数据的稀疏性是，是实际应用中常见的挑战。其次one-hot编码的另一个问题是特征空间变大，上面的10万个item，编码后样本空间有一个categories会变成10万维，特征空间会暴增。因此需要进一步的优化，例如FM方法等。

常用数据集

1.Display Advertising Challenge挑战的criteo数据集

2. 淘宝数据集

3. 亚马逊数据集

以亚马逊数据集为例，我们给出数据集的描述：

meta_Electronics.json

asin    产品的ID
imUrl    产品图片地址
description    产品描述
categories    产品所属的类别列表
title    产品名称
Price 价格
salesRank 销售排名信息
related 相关产品（也已购买，也已查看，一起购买，已查看后购买）
Brand 品牌

reviews_Electronics_5.json

reviews_Electronics数据    
reviewerID    评论者id，例如[A2SUAM1J3GNN3B]
asin    产品的id，例如[0000013714]
reviewerName    评论者昵称
helpful    评论的有用性评级，例如2/3
reviewText    评论文本
overall    产品的评级
summary    评论摘要
unixReviewTime    审核时间（unix时间）
reviewTime    审核时间（原始）
meta_Electronics 数据