常见计算广告点击率预估算法总结
CTR预测算法总结
谈及CTR，通常涉及网络服务用户被推送广告后点击的概率。此概念类似往日算命先生预测事宜的准确度，简单到随意预测，复杂到借助各种工具进行深思熟虑的分析。CTR问题在推荐系统和广告计算中具有普遍性，它的处理方法与算命先生的手法颇有相似之处。
CTR架构包含离线和在线两大部分，离线部分负责训练模型，而在线部分则关注模型性能随时间的变化，必要时通过在线学习更新模型。
Logistic Regression是最基础的CTR模型，其算法简单、易于调参，属于线性模型。该方法通过分类问题预测用户点击概率，通常在离线数据集上训练模型，适应数据分布变化，采用在线学习策略进行模型更新。
PLOY2模型扩展了Logistic Regression，通过特征组合来建模非线性关系。然而，该模型在处理稀疏数据时存在问题，因为大部分特征值为零，导致梯度更新不充分。
Factorization Machine（FM）为解决POLY2的稀疏问题而生，通过矩阵分解将高维稀疏特征转换为低维连续表示，有效解决特征组合问题。FM训练和预测复杂度为线性时间，广泛应用于CTR问题中，特别是处理大量稀疏数据时。
Field-aware Factorization Machine（FFM）引入了领域信息，针对不同特征赋予不同领域表示，有效减少隐变量的维度，优化CTR预测。
深度学习方法，如FNN和SNN，通过深度网络构建参数初始化，利用神经网络进行特征表示和预测，结合FM进行参数学习，实现CTR预测。
卷积神经网络（CCPM）采用卷积结构进行CTR预测，提供了一种不同于传统方法的独特视角。
PNN模型通过内积层和外积层构建特征间关系，使用神经网络层进行预测，结合FM的特性，减少特征工程工作。
DeepFM结合了Wide and Deep方法，使用FM和神经网络部分，构建更高阶的特征关系，减少特征工程需求，实现更高效的CTR预测。
总结，CTR预测算法经历了从基础模型到深度学习的演变，每种方法都有其特定优势和局限性。选择合适的CTR模型需考虑实际场景、数据特性、计算资源等多方面因素。深入讨论和探索各种算法的实际应用，有助于提升CTR预测的准确性和效率。
谈及CTR，通常涉及网络服务用户被推送广告后点击的概率。此概念类似往日算命先生预测事宜的准确度，简单到随意预测，复杂到借助各种工具进行深思熟虑的分析。CTR问题在推荐系统和广告计算中具有普遍性，它的处理方法与算命先生的手法颇有相似之处。
CTR架构包含离线和在线两大部分，离线部分负责训练模型，而在线部分则关注模型性能随时间的变化，必要时通过在线学习更新模型。
Logistic Regression是最基础的CTR模型，其算法简单、易于调参，属于线性模型。该方法通过分类问题预测用户点击概率，通常在离线数据集上训练模型，适应数据分布变化，采用在线学习策略进行模型更新。
PLOY2模型扩展了Logistic Regression，通过特征组合来建模非线性关系。然而，该模型在处理稀疏数据时存在问题，因为大部分特征值为零，导致梯度更新不充分。
Factorization Machine（FM）为解决POLY2的稀疏问题而生，通过矩阵分解将高维稀疏特征转换为低维连续表示，有效解决特征组合问题。FM训练和预测复杂度为线性时间，广泛应用于CTR问题中，特别是处理大量稀疏数据时。
Field-aware Factorization Machine（FFM）引入了领域信息，针对不同特征赋予不同领域表示，有效减少隐变量的维度，优化CTR预测。
深度学习方法，如FNN和SNN，通过深度网络构建参数初始化，利用神经网络进行特征表示和预测，结合FM进行参数学习，实现CTR预测。
卷积神经网络（CCPM）采用卷积结构进行CTR预测，提供了一种不同于传统方法的独特视角。
PNN模型通过内积层和外积层构建特征间关系，使用神经网络层进行预测，结合FM的特性，减少特征工程工作。
DeepFM结合了Wide and Deep方法，使用FM和神经网络部分，构建更高阶的特征关系，减少特征工程需求，实现更高效的CTR预测。
总结，CTR预测算法经历了从基础模型到深度学习的演变，每种方法都有其特定优势和局限性。选择合适的CTR模型需考虑实际场景、数据特性、计算资源等多方面因素。深入讨论和探索各种算法的实际应用，有助于提升CTR预测的准确性和效率。