深度学习笔记: 最详尽广告点击预测系统设计

欢迎收藏Star我的Machine Learning Blog:https://github.com/purepisces/Wenqing-Machine_Learning_Blog。如果收藏star, 有问题可以随时与我交流, 谢谢大家！

广告点击预测

1. 问题描述

建立一个机器学习模型来预测广告是否会被点击。

为了简化，我们不会专注于广告技术中常用的级联分类器。

• 在继续之前，让我们了解一下广告投放的背景。广告请求会经过一个瀑布模型，在该模型中，出版商会尝试通过高 CPM（每千次展示成本）直接销售其库存。如果无法销售，出版商会将展示机会传递给其他网络，直到它被售出。

级联分类器涉及多个阶段，每个阶段都有自己的分类器，一个分类器的输出成为下一个分类器的输入。这可以帮助：

• 过滤：早期阶段过滤掉大多数负面案例（例如，不太可能被点击的情况），使后续阶段能够专注于更难分类的情况。
• 专业化：不同阶段可以专注于预测任务的不同方面，提高整体性能。
• 效率：通过逐步减少每个阶段需要考虑的案例数量，级联可以提高计算效率。

在瀑布模型中，出版商（例如《纽约时报》）首先会尝试直接将广告位卖给广告主，以获得高 CPM。如果失败，则会按顺序将机会传递给谷歌 AdSense、Facebook Audience Network 等广告网络，直到广告位被填满。

出版商直接销售：
场景：《纽约时报》直接与三星协商，在其主页上放置一个月的横幅广告，以获得高 CPM。

高级广告网络：
场景：广告主使用谷歌营销平台在顶级网站（如 ESPN）上投放广告，确保其广告出现在信誉良好、流量高的网站上。

垂直广告网络：
场景：旅行社使用旅行广告网络在与旅行相关的网站上投放广告，吸引对旅行感兴趣的受众。

剩余广告网络：
场景：较小的广告主使用谷歌广告在谷歌网络中的剩余广告库存上竞价，使其广告以较低的成本出现在各种网站上。

出版商：出版商是创建和拥有可以展示广告的内容的实体（个人、组织或公司）。他们提供展示广告的平台。

广告网络：广告网络是一家将广告主与出版商连接起来的公司。它聚合多个出版商的广告库存并将其卖给广告主，促进广告的买卖。

展示：展示是广告在网页、应用程序或任何其他数字媒介上显示的一次实例。它是用来衡量广告被看到多少次的指标。

2. 指标设计和需求

指标

在训练阶段，我们可以专注于机器学习指标，而不是收入指标或点击率（CTR）指标。以下是两个指标：

离线指标

• 归一化交叉熵（NCE）：NCE 是预测的对数损失除以背景 CTR 的交叉熵。这种方式使 NCE 对背景 CTR 不敏感。以下是 NCE 的公式：

N C E = − 1 N ∑ i = 1 n ( 1 + y i 2 log ⁡ ( p i ) + 1 − y i 2 log ⁡ ( 1 − p i ) ) − ( p log ⁡ ( p ) + ( 1 − p ) log ⁡ ( 1 − p ) ) NCE = \frac{-\frac{1}{N} \sum\limits_{i=1}^{n} \left( \frac{1 + y_i}{2} \log(p_i) + \frac{1 - y_i}{2} \log(1 - p_i) \right)}{- \left( p \log(p) + (1 - p) \log(1 - p) \right)} NCE=−(plog(p)+(1−p)log(1−p))−N1​i=1∑n​(21+yi​​log(pi​)+21−yi​​log(1−p