陳巧紅，余仕敏，賈宇波

（浙江理工大學(xué)信息學(xué)院，杭州310018）

廣告點擊率預(yù)估技術(shù)綜述

陳巧紅，余仕敏，賈宇波

（浙江理工大學(xué)信息學(xué)院，杭州310018）

廣告點擊率的預(yù)估是計算廣告學(xué)領(lǐng)域的重要研究內(nèi)容，準(zhǔn)確的廣告點擊率預(yù)估可以提高真實的廣告點擊率，增加收益。邏輯回歸模型、支持向量機(jī)模型、貝葉斯模型、神經(jīng)網(wǎng)絡(luò)模型等模型適用于歷史廣告點擊數(shù)據(jù)豐富的情況，適用無歷史廣告點擊數(shù)據(jù)和廣告點擊數(shù)據(jù)稀疏的模型包括層次聚類模型、相似項預(yù)估模型、因子分解機(jī)等模型，而時間空間模型、層次模型則適用上述所有廣告點擊數(shù)據(jù)的情況。根據(jù)不同的廣告數(shù)據(jù)特征，采用不同的模型，可以獲得很好的預(yù)估效果。

廣告點擊率；預(yù)估模型；神經(jīng)網(wǎng)絡(luò)；因子分解機(jī)

0　引 言

廣告點擊率（click-through rate，CTR）是指在廣告顯示中廣告被用戶點擊的概率，廣告點擊率的預(yù)估就是根據(jù)廣告數(shù)據(jù)和用戶數(shù)據(jù)來預(yù)估廣告點擊率?，F(xiàn)在很多搜索公司例如百度聯(lián)盟和Google AdSense都是采用點擊付費（cost per click，CPC）［1］，點擊付費是現(xiàn)在主流的付費方式，這類付費機(jī)制最適合交易型廣告，此類廣告的收益就是點擊次數(shù)和每次點擊的付費金額的乘積。研究顯示，用戶點擊廣告的概率性與廣告的投放位置有很大的相關(guān)性［2］，要獲得最大的收益就是要把點擊率大的廣告投放在靠前的位置。根據(jù)精確的CTR預(yù)測來確定投放的順序，在線地在返回頁面中投放廣告［3］。

為了預(yù)測廣告的點擊率，要充分考慮影響廣告點擊率的因素，例如廣告自身的影響和廣告瀏覽者的影響相關(guān)性，上下文內(nèi)容的相關(guān)性等因素，從而進(jìn)一步提高廣告的點擊率，使點擊次數(shù)和每次點擊的付費金額的乘積變大，以此擴(kuò)大搜索引擎的收益。

1　在線廣告點擊率預(yù)估流程

圖1所示廣告點擊率預(yù)估流程，數(shù)據(jù)包括廣告日志數(shù)據(jù)以及用戶數(shù)據(jù)，根據(jù)不同模型的要求提取相應(yīng)的特征數(shù)據(jù)，這些特征數(shù)據(jù)通過歸一化或是規(guī)范化后，輸入到點擊率預(yù)估模型訓(xùn)練，通過預(yù)估出的點擊率再進(jìn)行排序，確定廣告的投放位置，提高真實的點擊率，從而擴(kuò)大收益。

圖1　點擊率預(yù)估系統(tǒng)流程

廣告點擊率預(yù)估模型就是利用機(jī)器學(xué)習(xí)算法模型以及概率統(tǒng)計模型去預(yù)估廣告的點擊率，如圖2所示。其中基于歷史廣告數(shù)據(jù)豐富的預(yù)估模型，本文分別介紹邏輯回歸模型［4］、貝葉斯模型［5-8］、基于決策樹模型［9-10］、遞歸神經(jīng)網(wǎng)絡(luò)模型［11］、支持向量機(jī)模型［12-13］、混合模型［14］和COEC模型［15］?；谙∈鑿V告數(shù)據(jù)和新廣告數(shù)據(jù)的預(yù)估模型，本文介紹基于層次的預(yù)估模型［16-18］、相似項點擊率預(yù)估模型［19］、基于先驗概率的實時點擊預(yù)估模型［20］、時間空間模型［21］］和因子分解機(jī)模型［22］。

圖2　廣告點擊率的預(yù)估模型

圖3所示的是廣告點擊率預(yù)估常用的評估方法，常用的有KL距離（KL-Divergence）［20］和ROC曲線下面積（area under curve，AUC）方法［21］。

圖3　廣告點擊率模型的評估方法

2　廣告點擊率預(yù)測的模型

2.1基于歷史數(shù)據(jù)豐富的預(yù)估模型

在廣告本身的歷史數(shù)據(jù)點擊數(shù)據(jù)豐富的情況下，預(yù)測該類型的廣告要充分利用廣告的歷史點擊數(shù)據(jù)，基于邏輯回歸的預(yù)估模型、基于貝葉斯網(wǎng)絡(luò)的預(yù)估模型、基于支持向量機(jī)的預(yù)估模型、基于神經(jīng)網(wǎng)絡(luò)的預(yù)估模型和基于決策樹的預(yù)估模型等模型在歷史數(shù)據(jù)豐富的情況下可以得到很好的訓(xùn)練，最終獲得很好的預(yù)估效果。

2.1.1基于邏輯回歸預(yù)估模型

Richardson等［4］采用邏輯回歸模型（logistic regression model）去預(yù)估廣告點擊率，目前很多公司的廣告點擊率預(yù)估都是基于邏輯回歸的預(yù)估模型。該模型的特點就是簡單且非常適合解決概率預(yù)估問題，其核心計算公式為：

式（1）中的i是廣告的第個特征的數(shù)值，是廣告的第i個特征的學(xué)習(xí)權(quán)值。

該文使用L-BFGS（limited-memory broydenfletcher-goldfarb-shanno）方法（該方法是擬牛頓方法的一個優(yōu)化算法）來訓(xùn)練邏輯回歸模型，損失函數(shù)使用零均值和標(biāo)準(zhǔn)差的正態(tài)分布的交叉熵函數(shù)，每一個廣告特征都?xì)w一化為期望值為0、單元標(biāo)準(zhǔn)差的數(shù)，該歸一化也應(yīng)用于之后的訓(xùn)練和測試廣告特征數(shù)據(jù)集。模型效果評估采用的是KL距離，文中的KL距離是模型預(yù)測的CTR和真實的CTR的距離。KL距離簡化了log似然模型，忽略測試數(shù)集的熵。作者還增加一個均方差（mean squared error，MSE）作為一個評估指標(biāo)。由于邏輯回歸模型采用最大似然估計，需要大量數(shù)據(jù)以保證性能，所以不適合對稀疏廣告數(shù)據(jù)的預(yù)估。

2.1.2基于支持向量機(jī)算法的預(yù)估模型

Joachims［5］提出了從web搜索引擎日志中挖掘點擊數(shù)據(jù)，利用支持向量機(jī)實現(xiàn)對廣告點擊率的預(yù)估。支持向量機(jī)（support vector machine，SVM）利用核函數(shù)將一個向量映射到比其自身更高維的空間，在高維空間建立一個最大間隔的超平面。在分隔超平面兩邊各有一個與之平行的超平面，最大化平行超平面之間的間隔，平行超平面距離越大，分類效果越好?；诤撕瘮?shù)，支持向量機(jī)可以處理多維非線性數(shù)據(jù)。該文利用點擊數(shù)據(jù)通過支持向量機(jī)來預(yù)估點擊率，從而提高搜索引擎的檢索能力，在沒有明確的反饋信息和沒有人工參數(shù)優(yōu)化的情況下，該模型可以自動適應(yīng)一些特殊的參數(shù)選擇。

2.1.3基于貝葉斯網(wǎng)絡(luò)的預(yù)估模型

Chapelle等［6］提出動態(tài)貝葉斯網(wǎng)絡(luò)模型，作者介紹了滿意度的概念，利用這個概念去分別模擬登陸頁面的相關(guān)性和搜索結(jié)果頁面可感知的相關(guān)性。動態(tài)貝葉斯網(wǎng)絡(luò)模型是用來模擬用戶瀏覽行為，并且認(rèn)為只有用戶看到鏈接并且認(rèn)為該鏈接與用戶所要獲得的信息有關(guān)的情況下才去點擊這個鏈接，用戶基于文檔觀察相關(guān)性決定是否要點擊和通過結(jié)果做出一個線性橫向選擇。如果用戶不滿意點擊的鏈接他們會選擇點擊下一個鏈接（基于真實的相關(guān)性）。

Guo等［7］提出基于貝葉斯結(jié)構(gòu)的點擊鏈模型（click chain model in web search），類似鏈表結(jié)構(gòu)，所以該模型具有很好的擴(kuò)展性。將文檔內(nèi)容的相關(guān)性和用戶點擊下一個鏈接的概率作為相關(guān)性后驗參數(shù)來建立模型的。

Graepel等［8］提出在線貝葉斯概率回歸模型（online bayesian probability regression），該模型基于特定廣告特征，所以很難準(zhǔn)確做到個性化推薦。

Dupret等［9］提出了一種用戶瀏覽模型的點擊率估算方法，利用點擊日志預(yù)測文檔的點擊率，假設(shè)每次用戶點擊行為都是互相獨立，將日志內(nèi)容的相關(guān)性和位置距離作為參數(shù)，利用EM（expectation maximization）算法迭代計算出所有參數(shù)的最大似然估計，再利用交叉檢驗的方法進(jìn)行性能評估。

基于貝葉斯網(wǎng)絡(luò)的模型，當(dāng)數(shù)據(jù)發(fā)生變化時模型必須重新訓(xùn)練，耗時過長，且對新廣告數(shù)據(jù)無法預(yù)估。2.1.4 基于神經(jīng)網(wǎng)絡(luò)的預(yù)估模型

Zhang等［10］提出了利用遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）來預(yù)測搜索廣告的點擊率問題。遞歸神經(jīng)網(wǎng)絡(luò)是在多層神經(jīng)網(wǎng)絡(luò)的中間層建立一種組合的遞歸網(wǎng)絡(luò)，用于取代一般的多層網(wǎng)絡(luò)，并依次對被控對象的動態(tài)特性進(jìn)行直接的學(xué)習(xí)，通過調(diào)整其中有關(guān)參數(shù)，以獲得所需的最優(yōu)控制輸入，過去的一些工作只是將單獨的廣告曝光作為輸入去預(yù)測點擊概率，并沒有考慮到不同廣告曝光的依賴性，而且過去在時間序列的分析常常也只是關(guān)注于構(gòu)建數(shù)據(jù)序列趨勢或是周期性模式。近些年來的一些研究利用RNN來解決數(shù)據(jù)的時間依賴的問題。例如RNN語言模型［11］成功的利用大量語言庫中的大跨度連續(xù)的信息，獲得了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)語言模型更好的效果。RNN由于它的特殊的遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)使其有很大的能力去利用數(shù)據(jù)間連續(xù)的依賴關(guān)系。Michael Auli等認(rèn)為每個用戶的廣告瀏覽歷史可以作為一個序列，從而產(chǎn)生了固有的內(nèi)部依賴關(guān)系。神經(jīng)網(wǎng)絡(luò)的輸入量必須是二元值，基于BPTT（back propagation through time）算法的RNN框架如圖4所示，實驗結(jié)果表明，比起神經(jīng)網(wǎng)絡(luò)和邏輯回歸模型該模型的預(yù)測廣告點擊率更加準(zhǔn)確。模型的評測標(biāo)準(zhǔn)采用的是AUC（area under roc curve）和RIG（relative information gain）。

圖4　RNN結(jié)構(gòu)框架

2.1.5基于決策樹的點擊率預(yù)估模型

Dave等［12］在文中從廣告數(shù)據(jù)中提取相似性特征，再利用梯度增強(qiáng)決策樹（gradient boosting decision tree，GBDT）作為一個回歸模型訓(xùn)練相似特征來預(yù)估廣告點擊率。GBDT不像傳統(tǒng)的決策樹模型只有一棵決策樹，而是由多棵決策樹組成的。Boosting的基本思想是將一系列弱分類器組合起來，構(gòu)成一個強(qiáng)分類器，也就是讓每棵樹不需要學(xué)太多的東西而是學(xué)一點點，再將每棵樹學(xué)到的知識累加起來組合成一個強(qiáng)大的模型。它的思想起源于Valiant提出的PAC（probably approximately correct）學(xué)習(xí)模型。

Rofimov等［13］提出了基于強(qiáng)分類決策樹（boosting tree）的一種機(jī)器學(xué)習(xí)的算法Matrix Net，它是梯度提升機(jī)器模型（gradient boosting machine，GBM）算法中采用隨機(jī)上升（stochastic boosting）的修改版算法。Matrix Net算法繼承了GBM的優(yōu)點，而且在GBM中采用隨機(jī)上升可以進(jìn)一步提高準(zhǔn)確性和功能性。Matrix Net從GBM算法繼承以下3個主要的超參數(shù)，分別是上升步長M，正則化率v和最大樹高度H。作者采用均方誤差（MSE）作為效果評測標(biāo)準(zhǔn)。

增強(qiáng)分類決策樹的優(yōu)點：a）防止過度擬合；b）高階交互處理；c）接近不連續(xù)函數(shù)；d）在大多數(shù)情況下不需要功能轉(zhuǎn)換。

2.1.6COEC預(yù)估模型

Zhang等［14］提出了COEC（clicks over expected clicks）模型，COEC定義為預(yù)先設(shè)置一個期望的點擊率值，再利用實際點擊率與之前設(shè)置的期望點擊率的比值作為目標(biāo)函數(shù)，它具有排序標(biāo)準(zhǔn)化的好處。

2.1.7混合模型

Wang等［15］提出了將4種模型（在線貝葉斯概率回歸（online bayesian probit regression）、支持向量機(jī)（support vector machine）和因子模型（latent factor model）和基于最大似然估計的模型（maximum likelihood estimation）組合起來使用的一種混合模型，該模型可以更好地模擬用戶點擊行為，進(jìn)而預(yù)估廣告的點擊率。首先使用基于一種綜合特征的方法去抽取和產(chǎn)生描述特征數(shù)，然后使用上述的描述特征數(shù)，將四種模型應(yīng)用于訓(xùn)練數(shù)集中，使用基于MLE的一些模型方法去模擬經(jīng)常在訓(xùn)練集中出現(xiàn)的實例，是為了充分利用訓(xùn)練數(shù)集，最后提出了一種基于排序的集成學(xué)習(xí)方法，該方法可以規(guī)范化4種模型方法的結(jié)果并產(chǎn)生最后的結(jié)果。圖5就是作者所使用的多種模型結(jié)構(gòu)圖。特別需要指出的是針對多種模型使用了兩組特征數(shù)，一組是原始特征數(shù)（包括離散特征和連續(xù)特征），一組是合成特征數(shù)（將任意兩組原始離線特征數(shù)結(jié)合起來作為一個合成特征數(shù)）。最后的評估標(biāo)準(zhǔn)采用的是ROC曲線下面積。

圖5　多模型結(jié)構(gòu)

2.2基于稀疏數(shù)據(jù)廣告和新廣告數(shù)據(jù)的預(yù)估模型

具有豐富歷史點擊數(shù)據(jù)的廣告畢竟是少數(shù)，大多數(shù)的點擊數(shù)和曝光數(shù)都是很稀疏的，特別是新投放到平臺的廣告更是沒有歷史點擊數(shù)據(jù)的參考，所有需要在線地評估。2.1節(jié)所介紹的預(yù)估模型對歷史數(shù)據(jù)豐富的情況下，能獲得很好的預(yù)估效果，但是對上述問題不奏效，針對上述問題，下面介紹了基于層次的預(yù)估模型、基于相似項的預(yù)估模型、基于時間空間的預(yù)估模型和基于先驗概率的實時點擊的預(yù)估模型來解決廣告數(shù)據(jù)稀疏和新廣告的預(yù)估問題。

2.2.1基于層次結(jié)構(gòu)的模型

Regelson等［16］提出了一種層次聚類（hierarchical clustering）方法，在歷史數(shù)據(jù)不足缺少或者沒有歷史數(shù)據(jù)情況下，用廣告的文檔相似度來預(yù)估點擊率，這種使用歷史數(shù)據(jù)分層聚合的方法可以獲得更準(zhǔn)確的估計。

Agarwal等［17］提出使用稀疏數(shù)據(jù)預(yù)先存在的層次結(jié)構(gòu)，解決稀疏事件及其稀疏數(shù)據(jù)的出現(xiàn)率估算問題，主要解決針對web網(wǎng)頁、廣告的點擊率的預(yù)估，這些網(wǎng)頁和廣告都可以在不同粒度中獲取廣泛的上下文信息來按層次分類。典型的情況是點擊率非常低的和層次覆蓋面比較稀疏的問題，為了解決這些問題，該文作者采用的抽樣方法是分析那些從訓(xùn)練集中選取的特別樣本。該模型的預(yù)估點擊率模型可以分為兩個階段，第一個階段就是調(diào)整樣本偏差，第二個階段就是采用樹形結(jié)構(gòu)的馬爾可夫模型（tree-structured markov model），通過同一級節(jié)點的相關(guān)性來達(dá)到對該層次點擊率的預(yù)估。

Agarwal等［18］提出了一種針對稀疏事件廣告數(shù)據(jù)具有高維多元可分層特征的預(yù)估方法模型，該模型叫做多層次Log線性模型（log-linear model for multiple hierarchies），這種模型可以處理在Map-Reduce框架的大規(guī)模數(shù)據(jù)（十億級別的訓(xùn)練集合，數(shù)百萬潛在的預(yù)測因子）?？紤]到準(zhǔn)確性和擴(kuò)展性，采用了一個基于尖峰和平板回歸（spike and slab prior）的內(nèi)置篩選過程，刪除那些影響預(yù)測準(zhǔn)確性的因子，保證準(zhǔn)確性。

2.2.2基于相似項的預(yù)估模型

Richardson等［19］提出了一種方法利用新廣告和已知點擊率廣告的相同或者相似項（Term）去預(yù)測新廣告的點擊率。根據(jù)新廣告與舊廣告的相似項在線地根據(jù)新廣告數(shù)據(jù)評估新廣告的點擊率，采用聚類的方法，通過廣告內(nèi)容的相似度來預(yù)估點擊率。

2.2.3基于時間空間的預(yù)估模型

Agrawal等［20］在2009年提出了時空模型（spatio-temporal predicting models）預(yù)估點擊率，通過動態(tài)伽馬泊松模型（dynamic gamma-poisson model）計算一段時間內(nèi)固定位置的文檔點擊率；通過動態(tài)線性回歸模型（dynamic linear regressions）結(jié)合相關(guān)位置的文檔信息，有效地提高每一位置的點擊數(shù)，文中的各個模型通過基于特殊用戶和重復(fù)曝光性特征的首次點擊概率（probability of click on first article exposure）的指數(shù)級數(shù)來調(diào)整用戶的疲勞度，并且該模型支持個性化的推薦。

2.2.4基于先驗的實時點擊預(yù)估模型

Fang等［21］提出了一種針對具有極其稀疏和瞬時性特征的廣告數(shù)據(jù)實時點擊的預(yù)估模型。鑒于好的ID特征數(shù)據(jù)具有極其稀疏和瞬時性特征，這使傳統(tǒng)的機(jī)器學(xué)習(xí)處理起來很困難。提出了基于先驗的實時點擊預(yù)估模型（prior-based real-time estimator model，PRE），該模型可以直接使用上述的特征數(shù)據(jù)，首先從之前學(xué)習(xí)的先驗?zāi)Ｐ陀嬎悴煌S的經(jīng)驗點擊率數(shù)據(jù)，然后構(gòu)造最小方差無偏估計量（minimum variance unbiased estimator）來作為點擊率數(shù)據(jù)的加權(quán)和，最后使用權(quán)值參數(shù)的另一個數(shù)集來放寬獨立性假設(shè)這個條件，獨立性假設(shè)這個條件影響每一維的數(shù)據(jù)。PRE模型最大的好處就是它自身具有實時性，只需要一些參數(shù)進(jìn)行離線學(xué)習(xí)，PRE模型經(jīng)過一段時間訓(xùn)練就可以得出相對穩(wěn)定的結(jié)果，并且簡單。與此同時，所有的在線計算都在封閉中進(jìn)行的，而且證明很有效果。為了進(jìn)一步提高估計效果，還使用了若干模型的融合技術(shù)去更好的結(jié)合LR模型和PRE模型。最后通過實驗得出，PRE模型可以提高點擊率預(yù)估模型的準(zhǔn)確性和排名能力，特別是結(jié)合最新的數(shù)據(jù)，該模型的時效性超過一般的機(jī)器學(xué)習(xí)模型。

2.2.5因子分解機(jī)模型

Rendle等［22］提出因子分解機(jī)模型（factorization machine models），過去因子分解模型雖然是預(yù)測效果很好的模型，但是只針對特定的數(shù)據(jù)集，并且需要用不同的方法去處理不同的數(shù)據(jù)集，例如有平行因子分析法（parallel factor analysis）、因子分解個性化馬爾可夫鏈（factorizing personalized markov chains）等因子分解的方法。因子分解機(jī)模型是結(jié)合支持向量機(jī)和因子分解模型的優(yōu)點，支持向量機(jī)無法對稀疏數(shù)據(jù)進(jìn)行預(yù)估，因子分解機(jī)不斷的事實化參數(shù)對參數(shù)變量進(jìn)行建模，所以因子分解機(jī)仍然適用于稀疏數(shù)據(jù)的預(yù)估，這也是與支持向量機(jī)相比最大的優(yōu)點。

2.3各種模型的對比和總結(jié)

前面介紹了各種廣告點擊率預(yù)估模型，針對不同廣告數(shù)據(jù)來源采用不同的預(yù)估模型，不同的預(yù)估模型有它的優(yōu)缺點，適用的場合也不盡相同，各模型具體的比較如表1所示。

表1　廣告點擊率預(yù)估模型的優(yōu)點和缺點

由于每個模型都有優(yōu)缺點，為了克服一些缺點，新的算法不斷地被提出，例如平衡采樣邏輯回歸算法［23］采用平衡采樣，由于刪除了大量的負(fù)樣本集，能縮短了訓(xùn)練時間，能在不犧牲點擊率預(yù)估效果提升系統(tǒng)的性能，解決了訓(xùn)練時間的問題；基于聯(lián)合概率矩陣分解的上下文廣告推薦算法［24］，該算法適用于廣告數(shù)據(jù)稀疏和大規(guī)模數(shù)據(jù)的情況，解決了過去了一些模型無法預(yù)估稀疏廣告數(shù)據(jù)和大規(guī)模廣告數(shù)據(jù)的缺點。

3　廣告點擊率模型的評估方法

3.1KL距離

KL距離［25］（KL-divergence）又叫相對熵，它是兩個概率分布的距離，這里的距離不是真實的距離，相對熵衡量的是相同事件空間里的兩個概率分布的差異情況，其意義就是概率分布P（x）事件空間，如果使用Q（x）概率（也可以叫做真實的概率情況）去編碼，其基本事件的平均編碼長度增加了多少比特。其計算公式如下：

式（2）中D（P||Q）就是KL距離。P（x）信息熵的含義是平均每個基本事件至少需要多少比特編碼。根據(jù)信息熵的知識可知，不存在其他比按照自身概率分布更好的編碼方式。所以相對熵是大于等于0的。預(yù)估的點擊率概率分布是Q（x），真實的點擊率概率分布是P（x），由此可以得出KL距離越小，越接近真實的概率分布，所以模型預(yù)估的點擊率越準(zhǔn)確，效果越好。

3.2ROC曲線下面積法［26］

ROC（receiver operating characteristic）曲線分析，它是醫(yī)療分析領(lǐng)域的一種新的分類模型性能的評估方法，其中ROC的混淆矩陣主要用于比較分類結(jié)果和實例的真實信息，矩陣的每一行代表實例的預(yù)測類型，每一列代表實例的真實類別，在ROC坐標(biāo)中，橫坐標(biāo)表示假正率，縱坐標(biāo)表示真正率，真正率表示正例分到正的概率，假正率表示負(fù)例錯誤的分到正的概率。

圖6　ROC曲線

圖6所示，曲線下面積AUC就是處于ROC曲線下方的那部分面積的大小。AUC的值在［0.5，1］區(qū)間內(nèi)，值較大表示性能較優(yōu)。首先根據(jù)模型預(yù)測的每個廣告的點擊率的不同，按高低依次確定投放廣告的位置，預(yù)測值大的放在前面，然后根據(jù)真實的點擊所反饋的信息，假正率等于1減去真正率，預(yù)設(shè)一個閾值，根據(jù)閾值將實例分成正類和負(fù)類，根據(jù)分類結(jié)果來繪制ROC曲線，其中Y軸方向代表被點擊率，X軸代表未被點擊率，由此可以得知ROC曲線下面積就越大，AUC就越大，預(yù)估的廣告點擊率就越準(zhǔn)確。

4　結(jié) 語

廣告點擊率是計算廣告的重要內(nèi)容，也是提高廣告收益的主要手段之一，本文首先介紹了一些相關(guān)知識，然后重點介紹了多種廣告點擊率的預(yù)估模型，基于歷史廣告數(shù)據(jù)的預(yù)估模型，例如邏輯回歸模型、貝葉斯模型、決策樹模型等，還有針對歷史廣告數(shù)據(jù)不足的預(yù)估模型，例如分層聚類模型，對未投放的新廣告的預(yù)估模型，例如Term CTR模型，還有適用于所有廣告數(shù)據(jù)的模型，例如時間空間模型和層次模型，最后介紹了點擊率預(yù)估模型的常用的評估方法。

互聯(lián)網(wǎng)的快速發(fā)展，廣告點擊率的預(yù)估模型也在不斷的改變，傳統(tǒng)上Google、百度等搜索公司是以邏輯回歸模型作為預(yù)估模型，百度意識到LR嚴(yán)重限制了模型學(xué)習(xí)與抽象特征的能力［27］，百度嘗試將DNN（deep neural network）深度學(xué)習(xí)應(yīng)用到搜索廣告，并于2013年服務(wù)于百度搜索廣告系統(tǒng)。但DNN在搜索廣告的應(yīng)用遠(yuǎn)遠(yuǎn)不夠，結(jié)合海量的廣告點擊數(shù)據(jù)，如何充分發(fā)揮分布式分析計算的最大能力去實現(xiàn)廣告點擊率預(yù)估，如何提高廣告點擊率預(yù)估的準(zhǔn)確性以及更好地實現(xiàn)個性化廣告精準(zhǔn)推薦，是未來的發(fā)展方向。

［1］李 敏.計算廣告學(xué)將成為數(shù)字商業(yè)的奠基學(xué)科［J］.程序員，2014（5）：109-109.

［2］周傲英，周敏奇，宮學(xué)慶.計算廣告：以數(shù)據(jù)為核心的Web綜合利用［J］.計算機(jī)學(xué)報，2011，34（10）：1805-1891.

［3］紀(jì)文迪，王曉玲，周傲英.廣告點擊率估算技術(shù)綜述［J］.華東師范大學(xué)學(xué)報：自然科學(xué)版，2013（3）：2-14.

［4］Richardson M，Dominowska E，Ragno R.Predicting clicks：estimating the click-through rate for new ads［C］//Proceedings of the 16th International Conference on World Wide Web.ACM，2007：521-530.

［5］Joachims T.Optimizing search engines using clickthrough data［C］//Proceedings of the 8th ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining.ACM，2002：133-142.

［6］Chapelle O，Zhang Y.A dynamic bayesian network click model for web search ranking［C］//Proceedings of the 18th International Conference on World Wide Web. ACM，2009：1-10.

［7］Guo F，Liu C，Kannan A，et al.Click chain model in web search［C］//Proceedings of the 18th International Conference on World Wide Web.ACM，2009：11-20.

［8］Graepel T，Candela J Q，Borchert T，et al.Web-scale bayesian click-through rate prediction for sponsored search advertising in microsoft＇s bing search engine［C］// Proceedings of the 27th International Conference on Machine Learning（ICML-10）.2010：13-20.

［9］Dupret G E，Piwowarski B.A user browsing model to predict search engine click data from past observations［C］//Proceedings of the 31st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2008：331-338.

［10］Zhang Y，Dai H，Xu C，et al.Sequential click prediction for sponsored search with recurrent neural networks［J］.AAAI，2014：1369-1375.

［11］Auli M，Galley M，Quirk C，et al.Joint language and translation modeling with recurrent neural networks［C］//EMNLP.2013：1044-1054.

［12］Dave K，Varma V.Predicting the click-through rate for rare/new ads［R］.Centre for Search and Information Extraction Lab International Institute of Information Technology Hyderabad-500 032，India，2010.

［13］Rofimov I，Kornetova A，Topinskiy V.Using boosted trees for click-through rate prediction for sponsored search［C］//Proceedings of the 6th International Workshop on Data Mining for Online Advertising and Internet Economy.ACM，2012：2.

［14］Zhang W V，Jones R.Comparing click logs and editorial labels for training query rewriting［C］//WWW 2007 Workshop on Query Log Analysis：Social and Technological Challenges.2007.

［15］Wang X，Lin S，Kong D，et al.Click-through prediction for sponsored search advertising with hybrid models［C］//KDD Workshop.2012.

［16］Regelson M，F(xiàn)ain D.Predicting click-through rate using keyword clusters［C］//Proceedings of the Second Workshop on Sponsored Search Auctions.2006，9623.

［17］Agarwal D，Broder A Z，Chakrabarti D，et al. Estimating rates of rare events at multiple resolutions［C］//Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM，2007：16-25.

［18］Agarwal D，Agrawal R，Khanna R，et al.Estimating rates of rare events with multiple hierarchies through scalable log-linear models［C］//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM，2010：213-222.

［19］Richardson M，Dominowska E，Ragno R.Predicting clicks：estimating the click-through rate for new ads［C］//Proceedings of the 16th International Conference on World Wide Web.ACM，2007：521-530.

［20］Agarwal D，Chen B C，Elango P.Spatio-temporal models for estimating click-through rate［C］// Proceedings of the 18th International Conference on World Wide Web.ACM，2009：21-30.

［21］Fang Y，Liu J.A novel prior-based real-time click through rate prediction model［J］.International Journal of Machine Learning and Cybernetics，2014，5（6）：887-895.

［22］Rendle S.Factorization machines［C］//Data Mining（ICDM），2010 IEEE 10th International Conference on. IEEE，2010：995-1000.

［23］施夢圜，顧津吉.基于平衡采樣的輕量級廣告點擊率預(yù)估方法［J］.計算機(jī)應(yīng)用研究，2014，31（1）：33-36.

［24］涂丹丹，舒承椿，余海燕.基于聯(lián)合概率矩陣分解的上下文廣告推薦算法［J］.軟件學(xué)報，2013，24（3）：454-464.

［25］Kullback S，Leibler R A.On information and sufficiency［J］.The Annals of Mathematical Statistics，1951，22（1）：79-86.

［26］劉 唐.基于多類別特征的在線廣告點擊率預(yù)測研究：以騰訊搜搜為例［D］.北京：北京郵電大學(xué)，2012.

［27］余 凱，賈 磊，陳雨強(qiáng).深度學(xué)習(xí)：推進(jìn)人工智能的夢想［J］.程序員，2013（6）：22-27.Overview of Advertisement Click-through Rate Estimating Techniques

CHEN Qiao-hong，YU Shi-min，JIA Yu-bo
（School of Information Science and Technology，Zhejiang Sci-Tech University，Hangzhou 310018，China）

The prediction of advertisement click-through rate is an important research content in the field of computational advertising.Accurate prediction of advertisement click-through rate can improve real advertisement click-through rate and increase income.Logistic regression model，support vector machine（SVM）model，the Bayesian model and neural network model are applicable to enriching historical advertisement click-through data，the models without historical advertisement click-through data and sparse advertisement click-through data，similar term prediction model and factorization machine etc.Time-space model and hierarchical model apply to all the above situations.According to the characteristics of different advertising data，different models can get good prediction effect.

cadvertisement click-through rate；prediction model；neural network；factorization machine

TP181

A

1673-3851（2015）06-0851-07

（責(zé)任編輯：陳和榜）

2014-11-13

浙江省自然科學(xué)基金項目（LQ13F020015）

陳巧紅（1978-），女，浙江臨海人，副教授，主要從事計算機(jī)輔助設(shè)計及機(jī)器學(xué)習(xí)技術(shù)方面的研究。

余仕敏，E-mail：ywy2130635@163.com