点击率预估模型汇总_CSCNN：新一代京东电商广告排序模型

随着电商平台对图像信息的大量引入，通过图像分析来进行广告点击率判断就成了新的趋势。本次分享的主题为CSCNN：新一代京东电商广告排序模型，主要介绍视觉信息在CTR排序模型中的应用。一方面，我们将介绍在工业场景下使用CNN将图像加入CTR模型联合建模的方法；另一方面，我们指出传统用于分类任务的CNN并不适合电商场景。将电商场景中丰富的、具有强视觉先验的"商品类目标注"作为CNN输入的一部分，将有效降低CNN训练的难度，提升排序效果。

模型于2019年上线，是京东搜索广告业务中收效较好的一种算法，也入选了今年的KDD论文集。在介绍方法的同时，本文还介绍了一些点击率模型整体优化方案，有助于帮大家对这种算法在整体点击率模型框架中所起到的作用有更加深入的理解。

本次分享主要包括以下内容：

• 背景介绍
• CTR模型的优化方向
• 基于视觉信息的CTR广告预测
• 我们的工作：CSCNN
• 效果展示

01

背景介绍

京东搜索广告依托于京东和京准通的数字营销平台实现搜索场景下的流量变现，每天帮助数百万的广告主触达数亿的京东用户。

1. 京东9NAI平台

京东广告算法团队主要做京东电商平台下全场景的广告流量变现，包括的业务线包括搜索、推荐、站外、线下、品牌，360营销等等。用到的主要的模型，除了CTR模型，还有CVR、出价、图像、创意模型等，这些都依赖于京东自研的9NAI的机器学习平台。该平台拥有离线训练，离线预估，线上inference、 模型的发版等功能。整个平台的内核基于TensorFlow框架搭建，并根据业务进行了性能优化，离线训练的调度则基于k8s开发。

2. 电商环境下优化ECPM的主要方式

上图是京东搜索广告的直观的展示界面。当用户搜索Query为"连衣裙"时，前序模块会召回n个广告，都是和连衣裙的Query强相关、符合Query约束的商品。

ECPM排序的主要工作是n个广告内部顺序的精排。在广告场景下，排序的指标就是平台的营收。

具体来看，作为CPC广告，广告主为每次点击支付确定的出价bid。因此每次展现平台所获得的价值，就等于用户点击广告的概率再乘以这次点击的出价，即ECPM ( effective cost per mile，千次展示期望收入 )。但是有时需要考虑Query下所有展现给用户的商品对平台带来的总价值，即此时需要优化所有展现给用户广告ECPM的和。但由于用户Query为"连衣裙"时，用户的下拉深度有限，所以该问题是有约束的优化：在用户看到有限深度广告的前提下，极大化用户对平台的总营收。

如果展现给用户广告之间的CTR条件独立，可以通过贪婪方式求解优化，即：按ECPM从大到小依次展现给用户，这样Query下的整体收入最高。

而ECPM中的第二项bid是由广告主给出的。假如用ECPM的序作为训练和预估的指标的话，广告主可能通过调bid来hack模型系统。为避免这种情况，我们一般在离线时采用AUC作为训练和评估指标，通过训练CTR排序效果更好的模型，来间接提升线上ECPM排序和线上收入。

02

CTR模型的优化方向

CTR ( Click-Through-Rate ) 即在建模展现这条广告的情况下，用户点击的概率。在搜索的场景下，该概率可以描述成依赖于4个不同类型输入的函数：

• Query：描述用户搜索意图。
• 用户侧特征：描述用户的兴趣、偏好。
• 商品侧特征：描述这个商品是否优质。
• context特征：描述用户搜索时属于怎样的场景，是上班的时候搜的还是周末搜的，此时是否有活动。

1. 特征工程与提取数据

特征工程主要包括以下几点：

多模态信息建模：

• 人工特征：一般在构建CTR模型的初期，会花很多精力做人工特征，比如说ID类的或者是实数的特征