广告计算——平滑CTR
- - CSDN博客综合推荐文章在互联网发展的过程中，广告成为了互联网企业盈利的一个很重要的部分，根据不同的广告形式，互联网广告可以分为：. 展示广告(display ads). 赞助商搜索广告(sponsored search). 上下文广告(contextual advertising). 对于在线广告，主要有如下的几种竞价模型：.
广告计算——平滑CTR
标签：
广告
计算
平滑
| 发表时间：2016-01-12 02:19 | 作者：google19890102
出处：http://blog.csdn.net
一、广告计算的基本概念
1、广告的形式
在互联网发展的过程中，广告成为了互联网企业盈利的一个很重要的部分，根据不同的广告形式，互联网广告可以分为：
- 展示广告(display ads)
- 赞助商搜索广告(sponsored search)
- 上下文广告(contextual advertising)
2、竞价模型
对于在线广告，主要有如下的几种竞价模型：
- 按展示付费(pay-per-impression)：直观来讲，按展示付费是指广告商按照广告被展示的次数付费，这是一种最普遍的竞价模型；
- 按行为付费(pay-per-action)：按行为付费是指只有在广告产生了销售或者类似的一些转化时，广告商才付费；
当然，对于以上的两种竞价模型各有其局限性：在按展示付费模型中，压根没有考虑到广告的效果，只是按照广告流量进行售卖的模式；对于按行为付费模型，虽然其考虑到了广告效果，但其的条件是产生了某种转化，这种转化有时很难追踪和记录。此时，为了解决这两种模型的局限性，通常可以按照一个用户是否会点击广告作为最终的度量标准，即按点击付费模型(pay-per-click)。
- 按点击付费(pay-per-click)：根据用户是否会点击广告来付费。
这里便出现了一个重要的概念，便是广告点击率(the click-through rate, CTR)。
3、广告点击率(CTR)
广告点击率CTR是度量一个用户对于一个广告的行为的最好的度量方法，广告点击率可以定义为：对于一个广告的被点击(click)的次数于被展示(impression)的次数的比值。
CTR=#click#impression
广告点击率对于在线广告有着重要的作用，在网络中，对于有限的流量，通常要选择出最优质的广告进行投放，此时，CTR可以作为选择广告和确定广告顺序的一个重要的标准。
但是在计算CTR时，由于数据的稀疏性，利用上述的计算方法得到的CTR通常具有较大的偏差，这样的偏差主要表现在如下的两种情况：
- 1、例如展示impression的次数很小，如1次，其中，点击的次数也很小(这里的很小是指数值很小)，如1，按照上述的CTR的计算方法，其CTR为1，此时的点击率就被我们估计高了；
- 2、例如展示的次数很大，但是点击的次数很小，此时，利用上述的方法求得的CTR就会比实际的CTR要小得多。
出现上述两种现象的主要原因是我们对分子impression和分母click的估计不准确引起的，部分原因可能是曝光不足等等，对于这样的问题，我们可以通过相关的一些广告的展示和点击数据对CTR的公式进行平滑处理。
二、CTR的平滑方法
1、数据的层次结构——贝叶斯平滑
假设有N个相同的账号(a1,a2,⋯,aN)，对于网页p，对于这样的网页和账号组(p,ai)。假设(C1,C2,⋯,CN)为观测到点击数据，(r1,r2,⋯,rN)为隐含的CTR的值，为点击率，点击率在此是一个隐含的参数，广告是否被点击满足二项分布，即Binomial(Ii,ri)，其中，Ii表示广告被展示的次数。
贝叶斯思想认为，隐含的参数不是一个具体的值，而是满足某个分布，我们知道贝叶斯参数估计的基本过程为：
先验分布+数据的知识=后验分布
已知二项分布的共轭分布为Beta分布，对此，有以下的两点假设：
- 1、对于一个广告，其点击Ci符合二项分布Binomial(Ii,ri)，其中，Ii表示的是展示的次数，ri表示的是广告被点击的概率；
- 2、对于所有的广告，有其自身的CTR，其CTR满足参数是α和β的贝塔分布Beta(α,β)。
假设有N个广告，广告被展示的次数为(I1,I2,⋯,IN)，广告被点击的次数为(C1,C2,⋯,CN)，上述的两个假设可以表示为如下的形式：
其对应的概率图模型为：
点击率ri不仅与(Ii,Ci)相关，而且与参数α和参数β相关，我们可以通过计算得到参数α和参数β的估计α̂ 和β̂ ，一旦α̂ 和β̂ 被确定后，则ri的估计为：
ri=Ci+α̂ Ii+α̂ +β̂
所以，现在，我们需要求解参数α和参数β的估计α̂ 和β̂ 。
点击C的似然函数为：ℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)，由于点击的次数以及展示的次数之间都是相互独立的，因此上式可以表示为：
ℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∏i=1Nℙ(Ci∣Ii,α,β)=∏i=1N∫riℙ(Ci,ri∣Ii,α,β)dri=∏i=1N∫riℙ(Ci,∣ri,Ii)ℙ(ri∣α,β)dri
已知
ℙ(Ci,∣ri,Ii)=rCii(1−ri)Ii−Ci
ℙ(ri∣α,β)=Γ(α+β)Γ(α)Γ(β)rα−1i(1−ri)β−1
则上式可以写成：
=∏i=1N∫riℙ(Ci,∣ri,Ii)ℙ(ri∣α,β)dri=∏i=1N∫rirCii(1−ri)Ii−CiΓ(α+β)Γ(α)+Γ(β)rα−1i(1−ri)β−1dri=∏i=1N∫riΓ(α+β)Γ(α)Γ(β)rCi+α−1i(1−ri)Ii−CI+β−1dri=∏i=1NΓ(α+β)Γ(Ii+α+β)Γ(Ci+α)Γ(α)Γ(Ii−Ci+β)Γ(β)
此时，我们需要求得该似然函数的最大值，首先，我们对上述的似然函数取对数，即为：
logℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∑i=1NlnΓ(α+β)−lnΓ(Ii+α+β)+lnΓ(Ci+α)−lnΓ(α)+lnΓ(Ii−Ci+β)−lnΓ(β)
将上述的log似然函数分别对α和β求导数，即为：
dlogℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dα=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ci+α)−Ψ(α)
dlogℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dβ=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ii−Ci+β)−Ψ(β)
其中，Ψ(x)=ddxlnΓ(x)。通过 the fixed-point iteration方法，可以得到如下的结果：
αnew=α∑Ni=1[Ψ(Ci+α)−Ψ(α)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]
βnew=β∑Ni=1[Ψ(Ii−Ci+β)−Ψ(β)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]
上述的求解过程是一个迭代的过程，一旦求出了参数α和参数β的估计α̂ 和β̂ ，便可以求出点击率的估计：
ri=Ci+α̂ Ii+α̂ +β̂
2、数据在时间上的一致性——指数平滑
相比上述的贝叶斯平滑，指数平滑相对要简单点，对于CTR中的点击，这是个与时间相关的量，假设对于一个广告，有M天的点击和展示数据(I1,I2,⋯,IM)，(C1,C2,⋯,CM)。若要估计第M天的CTR的值，我们需要对分别对I和C进行平滑，得到平滑后的Î 和Ĉ 。其计算方法如下：
{Ĉ j=CjĈ j=γCj+(1−γ)Ĉ j−1 if j=1 if j=2,⋯,M
{Î j=IjÎ j=γIj+(1−γ)Î j−1 if j=1 if j=2,⋯,M
其中，γ称为平滑因子，且0<γ<1。对于上述的公式，若要计算第M天的平滑点击，可以得到下面的公式：
Ĉ M=γCM+(1−γ)Ĉ M−1=γCM+(1−γ)(γCM−1+(1−γ)Ĉ M−2)=γCM+γ(1−γ)CM−1+⋯+γ(1−γ)jCM−j+⋯+γ(1−γ)M−1C1
参考文献
- Click-Through Rate Estimation for Rare Events in Online Advertising.Xuerui Wang, Wei Li, Ying Cui, Ruofei (Bruce) Zhang, Jianchang Mao Yahoo! Labs, Silicon Valley United States
作者：google19890102 发表于2016/1/11 18:19:15 原文链接
阅读：224 评论：0 查看评论
相关 [广告 计算 平滑] 推荐：
计算广告——广告定向实践
- - CSDN博客综合推荐文章计算广告学涉及到很多的不同的学科知识，包括大规模搜索，文本分析，机器学习，信息检索以及经济学等等. 在计算广告中，其核心问题是在给定的环境下，找到用户和广告之间的最佳匹配，在斯坦福大学的计算广告学中如下的定义：. Computational advertising = A principled way to find the “best match” between a user in a context and a suitable ad..
计算广告入门概念
- - 算法之道最近开始研究计算广告相关的东西了，那么首先我们要弄懂计算广告中一些常见的概念，本文就让我们一起来整理下吧. 主要参考的两本书：《计算广告》和 《互联网广告的市场设计》. 广告活动的两个主动的参与方是需求方和供给方，被动的参与方是受众. 需求方：这里的需求方包括广告主，代表广告主利益的代理商或其他技术形态的采买方，概括来说，就是想要投放广告的一方.
计算广告点击率预估算法总结
- - 小石头的码疯窝谈到CTR，都多多少少有些了解，尤其在互联网广告这块，简而言之，就是给某个网络服务使用者推送一个广告，该广告被点击的概率，这个问题难度简单到街边算命随口告诉你今天适不适合娶亲、适不适合搬迁一样，也可以复杂到拿到各种诸如龟壳、铜钱等等家伙事，在沐浴更衣、净手煴香后，最后一通预测，发现完全扯淡，被人暴打一顿，更有甚者，在以前关系国家危亡、异或争国本这种情况时，也通常会算上一卦，国家的兴衰、.
计算广告系统算法与架构综述
- - 机器之心我们当今身处一个被广告包围的时代，无论是走在马路上、收看电视剧、或者是玩手机游戏，都能看见形形色色的广告. 随着时代和技术的发展，广告的形式呈现出多样化、立体化的趋势，从最早的纸媒广告发展到如今的网页的展示、搜索广告，广告的定位也从原先的“广而告之”发展成大数据时代的“精准营销”，相应地，人们对广告的态度也在悄然变化.
Pepsi创意广告
- Homer - 设计｜生活｜发现新鲜怎么样，看出广告的创意来了木有…………只是广告和现实总是风马牛不相及. 「设计,生活,发现新鲜」在新浪微博，更即时地获读更新，更直接地交流沟通. © 设计|生活|发现新鲜 | 原文链接 | 投稿 ! | 新浪微博 | 逛逛我们的在线商店. Creat: 佳洁士的创意广告. TOYO TIRES 系列创意广告.
oracle license计算
- Fenng - eagle's homeOracle license的计算是基于CPU core的. 用core的数目乘以一个系数core factor就可以得到所需的oracle license的数目. 对于不同的CPU,core factor是不一样的，可以从oracle提供的这张列表中查到 Oracle Processor Core Factor Table.
超雷人AV广告
- saiddy - 宅映像由AV剪辑出来的视频片段，配上当前流行的各种广告的声音，要怎么YD就怎么荡漾，要怎么牛逼，就怎么花式……算了，我不解释了，大家自己看吧@. 一点小囧：今天我给电脑做体检了. 日剧山寨明星与范冰冰、刘德华、刘谦的那些事儿. 标签：AV, 囧, 广告, 恶搞, 搞笑, 艺术.
酷广告：对决[3P]
- Zoe - 煎蛋这是来自英国维生素食品Berocca 的一则平面广告. Berocca 号称是一种营养食品，可帮助人们缓解紧张情绪. 而图片中，右侧这些家伙明显就是服用了Berocca 的效果，在他们眼里，对方都不是问题. 一起看广告(3p, 3p …). 酷广告：外星人也爱麦当劳[v]. © 煎蛋 / 随便看看 / 图片托管于又拍网.
APP内置广告凶猛！
- Zen - Tech2IPO移动应用程序下载率和下载次数一再打破纪录已经成为常态. 应用程序越多，附着在其上的移动广告也就会越来越盛行，其中APP内置广告已经占据目前移动广告预算的5%，虽然有调查指出，18-34 岁的移动用户大部分都不喜欢APP内置广告，但是多数人有记忆、能够说出来的广告，大部份也都是APP内置广告型态，由此可以想见APP内置广告只会越来越多，不论你是喜欢还是不喜欢.