[[176886]]

點擊率預估是廣告技術的核心算法之一，它是很多廣告算法工程師喜愛的戰(zhàn)場。一直想介紹一下點擊率預估，但是涉及公式和模型理論太多，怕說不清楚，讀者也不明白。所以，這段時間花了一些時間整理點擊率預估的知識，希望在盡量不使用數(shù)據(jù)公式的情況下，把大道理講清楚，給一些不愿意看公式的同學一個Cook Book。

點擊率預測是什么?

• 點擊率預測是對每次廣告的點擊情況做出預測，可以判定這次為點擊或不點擊，也可以給出點擊的概率，有時也稱作pClick。

點擊率預測和推薦算法的不同?

• 廣告中點擊率預估需要給出精準的點擊概率，A點擊率0.3% , B點擊率0.13%等，需要結合出價用于排序使用;推薦算法很多時候只需要得出一個最優(yōu)的次序A>B>C即可;

搜索和非搜索廣告點擊率預測的區(qū)別

• 搜索中有強搜索信號-“查詢詞(Query)”，查詢詞和廣告內容的匹配程度很大程度影響了點擊概率; 點擊率也高，PC搜索能到達百分之幾的點擊率。
• 非搜索廣告(例如展示廣告，信息流廣告)，點擊率的計算很多來源于用戶的興趣和廣告特征，上下文環(huán)境;移動信息流廣告的屏幕比較大，用戶關注度也比較集中，好位置也能到百分之幾的點擊率。對于很多文章底部的廣告，點擊率非常低，用戶關注度也不高，常常是千分之幾，甚至更低;

如何衡量點擊率預測的準確性?

AUC是常常被用于衡量點擊率預估的準確性的方法;理解AUC之前，需要理解一下Precision/Recall;對于一個分類器，我們通常將結果分為：TP,TN,FP,FN。

本來用Precision=TP/(TP+FP)，Recall=TP/P，也可以用于評估點擊率算法的好壞，畢竟這是一種監(jiān)督學習，每一次預測都有正確答案。但是，這種方法對于測試數(shù)據(jù)樣本的依賴性非常大，稍微不同的測試數(shù)據(jù)集合，結果差異非常大。那么，既然無法使用簡單的單點Precision/Recall來描述，我們可以考慮使用一系列的點來描述準確性。做法如下：

1.找到一系列的測試數(shù)據(jù)，點擊率預估分別會對每個測試數(shù)據(jù)給出點擊/不點擊，和Confidence Score。

2.按照給出的Score進行排序，那么考慮如果將Score作為一個Thresholds的話，考慮這個時候所有數(shù)據(jù)的 TP Rate 和 FP Rate; 當Thresholds分數(shù)非常高時，例如0.9，TP數(shù)很小，NP數(shù)很大，因此TP率不會太高;

3.

4.當選用不同Threshold時候，畫出來的ROC曲線，以及下方AUC面積。

5.我們計算這個曲線下面的面積就是所謂的AUC值;AUC值越大，預測約準確。

為什么要使用AUC曲線

既然已經這么多評價標準，為什么還要使用ROC和AUC呢?因為ROC曲線有個很好的特性：當測試集中的正負樣本的分布變化的時候，ROC曲線能夠保持不變。在實際的數(shù)據(jù)集中經常會出現(xiàn)類不平衡(class imbalance)現(xiàn)象，即負樣本比正樣本多很多(或者相反)，而且測試數(shù)據(jù)中的正負樣本的分布也可能隨著時間變化。AUC對樣本的比例變化有一定的容忍性。AUC的值通常在0.6-0.85之間。

如何來進行點擊率預測?

點擊率預測可以考慮為一個黑盒，輸入一堆信號，輸出點擊的概率。這些信號就包括如下信號

廣告：歷史點擊率，文字，格式，圖片等等

環(huán)境：手機型號，時間媒體，位置，尺寸，曝光時間，網絡IP，上網方式，代理等

用戶：基礎屬性(男女，年齡等)，興趣屬性(游戲，旅游等)，歷史瀏覽，點擊行為，電商行為

信號的粒度：

Low Level : 數(shù)據(jù)來自一些原始訪問行為的記錄，例如用戶是否點擊過Landing Page，流量IP等。這些特征可以用于粗選，模型簡單，

High Level: 特征來自一些可解釋的數(shù)據(jù)，例如興趣標簽，性別等

特征編碼Feature Encoding：

1.特征離散化：把連續(xù)的數(shù)字，變成離散化，例如溫度值可以辦成多個溫度區(qū)間。

2.特征交叉： 把多個特征進行叫交叉的出的值，用于訓練，這種值可以表示一些非線性的關系。例如，點擊率預估中應用最多的就是廣告跟用戶的交叉特征、廣告跟性別的交叉特征，廣告跟年齡的交叉特征，廣告跟手機平臺的交叉特征，廣告跟地域的交叉特征等等。

特征選取(Feature Selection)：

特征選擇就是選擇那些靠譜的Feature，去掉冗余的Feature，對于搜索廣告Query和廣告的匹配程度很關鍵;對于展示廣告，廣告本身的歷史表現(xiàn)，往往是最重要的Feature。

獨熱編碼(One-Hot encoding)

假設有三組特征，分別表示年齡，城市，設備;

["男", "女"]

["北京", "上海", "廣州"]

["蘋果", "小米", "華為", "微軟"]

傳統(tǒng)變化： 對每一組特征，使用枚舉類型，從0開始;

["男“，”上海“，”小米“]=[ 0,1,1]

["女“，”北京“，”蘋果“] =[1,0,0]

傳統(tǒng)變化后的數(shù)據(jù)不是連續(xù)的，而是隨機分配的，不容易應用在分類器中。

熱獨編碼是一種經典編碼，是使用N位狀態(tài)寄存器來對N個狀態(tài)進行編碼，每個狀態(tài)都由他獨立的寄存器位，并且在任意時候，其中只有一位有效。

["男“，”上海“，”小米“]=[ 1,0,0,1,0,0,1,0,0]

["女“，”北京“，”蘋果“] =[0,1,1,0,0,1,0,0,0]

經過熱獨編碼，數(shù)據(jù)會變成稀疏的，方便分類器處理。

點擊率預估整理過程：

三個基本過程：特征工程，模型訓練，線上服務

特征工程：準備各種特征，編碼，去掉冗余特征(用PCA等)

模型訓練：選定訓練，測試等數(shù)據(jù)集，計算AUC，如果AUC有提升，通常可以在進一步在線上分流實驗。

線上服務：線上服務，需要實時計算CTR，實時計算相關特征和利用模型計算CTR，對于不同來源的CTR，可能需要一個Calibration的服務。

點擊率預測的算法

-邏輯回歸(Logic Regression)：

Logistic回歸是點擊率預估必須入門的一種方法，使用簡單，理論容易理解，甚至有些問題可以進行Debug，了解問題原因。它的核心想法就是通過Sigmooid函數(shù)，將Y值轉化成0-1;其基本公式如下：

LR_SGD(隨機梯度下降):

LR的模型有了，在訓練過程中，為了提高訓練的速度，常用的是SGD的優(yōu)化方法。 SGD解決了梯度下降的兩個問題： 收斂速度慢和陷入局部最優(yōu)。梯度下降是一種常規(guī)的優(yōu)化方法，但是SGD的S表示一定的隨機性;梯度下降是每次都朝著全局優(yōu)化方向前進，而SGD卻由于隨機性，有一定的曲折后，可能達到全局最優(yōu)，也可能深陷于局部最優(yōu)，但SGD的運行性能確實出色。

LR-FTRL

谷歌點擊率預估在在線學習(Online Learning)積累好多年的經驗，所謂在線學習就是通過線上實時處理數(shù)據(jù)而進行模型訓練，而不是傳統(tǒng)模式，把所有數(shù)據(jù)都放到一起處理(Batch Learning)，得到離線的最優(yōu)解。

LR-FTRL (Follow-the-regularized-Leader)，Google在10年就提出了一些理論基礎，在13年給出了Paper，并且?guī)в蠪TRL的實現(xiàn)偽代碼，在此之后，F(xiàn)TRL才大規(guī)模應用在工業(yè)界。

-FM(Factorization Machines)：

Steffen Rendle于2010年提出Factorization Machines(FM)，并發(fā)布開源工具libFM。憑借這單個模型，他在KDD Cup 2012上，取得Track1的第2名和Track2的第3名。在Kaggle的主流的點擊率比賽中和實際廣告系統(tǒng)的經驗，factorization machine的效果完勝LR。FM的內核和LR也非常類似，但是多增加了一部分引入特征之間的交互因素，所以FM是非線性函數(shù)內核，它非常類似我們在特征工程中采用的特征交叉，但是FM是通過訓練找到那些有用的特征叉值。

深度學習DNN

深度學習采用神經網絡技術也在不斷影響點擊率技術的發(fā)展。特別是DNN的開發(fā)平臺，更多的廣告和用戶數(shù)據(jù)，更大的計算資源(包括GPU)，這都給深度學習解決點擊率預估的問題，奠定了好的基礎。

Google、百度等搜索引擎公司以 Logistic Regression(LR)作為預估模型。而從 2012 年開始，百度開始意識到模型的結構對廣告 CTR 預估的重要性：使用扁平結構的 LR 嚴重限制了模型學習與抽象特征的能力。為了突破這樣的限制，百度嘗試將 DNN 作用于搜索廣告，而這其中最大的挑戰(zhàn)在于當前的計算能力還無法接受 10^11 級別的原始廣告特征作為輸入。作為解決，在百度的 DNN 系統(tǒng)里，特征數(shù)從10^11 數(shù)量級被降到了10^3，從而能被 DNN 正常地學習。這套深度學習系統(tǒng)已于 2013 年 5 月開始上線服務于百度搜索廣告系統(tǒng)，初期與LR并存，后期通過組合方法共同提升點擊準確率。

現(xiàn)在越來越多的深度學習的平臺，例如谷歌的TensorFlow，使用起來也非常方便，大部分工程師1-2星期就可以上手實驗，對于特征工程的要求沒有LR高，DNN能夠對特征進行自主的優(yōu)取，但是對于大規(guī)模的計算，能夠直接匹敵LR算法的，還需要一段長長的時間。

集成學習(Ensemble Learning)

集成學習通過訓練多個分類器，然后把這些分類器組合起來使用，以達到更好效果。集成學習算法主要有Boosting和Bagging兩種類型。

Boosting：通過迭代地訓練一系列的分類器，每個分類器采用的樣本的選擇方式都和上一輪的學習結果有關。比如在一個年齡的預測器，第一個分類器的結果和真正答案間的距離(殘差)，這個殘差的預測可以訓練一個新的預測器進行預測。XGBoost是非常出色的Boosting工具，支持DT的快速實現(xiàn)。

Bagging：每個分類器的樣本按這樣的方式產生，每個分類器都隨機從原樣本中做有放回的采樣，然后分別在這些采樣后的樣本上訓練分類器，然后再把這些分類器組合起來。簡單的多數(shù)投票一般就可以。這個類別有個非常著名的算法叫Random Forest,它的每個基分類器都是一棵決策樹，最后用組合投票的方法獲得最后的結果。

各大公司的一些點擊率預估的算法：

1.微軟 ：微軟在2010年曾經有一篇文章是關于使用《Web-Scale Bayesian Click-Through Rate Prediction for Sponsored Search Advertising in Microsoft’s Bing Search Engine 》，但這并不代表這是微軟現(xiàn)在的技術，據(jù)說現(xiàn)在的技術也是Online-learning和一些組合技術的融合，另外也在嘗試DNN的解決方案。

2.谷歌：谷歌是比較開放的公司，LR-FTRL對整個行業(yè)的online-learning都有整體的促進作用?！禔d Click Prediction: a View from the Trenches》，谷歌內部也在不斷嘗試引入深度學習方法解決點擊率問題，也包括展示廣告的點擊率預估。

3.Facebook:

Facebook廣告大部分情況下是沒有關鍵詞的，因此Facebook的點擊率預估，其實是非常更難的問題。Facebook有一篇文章，《Practical Lessons from Predicting Clicks on Ads at Facebook》，其中介紹Facebook結合GBDT訓練出一些feature，然后再傳入LR進行分類;

4.百度：基本全面使用DNN的訓練和之前的一些LR;

5.小米：小米使用過多種方法，包括LR-SGD, LR-FTRL, FM等，同時也在通過組合的方式提升綜合效果，另外也在積極探索DNN的解決方案。

點擊率預測的成功要素

點擊率預估的成功來源于兩面：一面是實力，一面是運氣，加油和好運!

【本文為51CTO專欄作者“歐陽辰”的原創(chuàng)稿件，轉載請聯(lián)系作者本人獲取授權】