计算广告(七)
发布网友
发布时间：2024-05-03 03:21
共1个回答
热心网友
时间：2024-05-11 22:56
计算广告的世界里，排序算法的智慧在于精准预测广告价值（ecpm），它不仅依赖于CTR、CVR和DeepCVR的预估，还考虑了深度学习的预测结果，公式为：ecpm = (CTR * CVR * DeepCVR * bid * α) + hidden_cost。目标是通过综合预估提升广告平台的整体排序效能，而非单一指标的追求。
预估过程如同一场精密的交响乐，离线阶段是它的序章，包括数据采集（埋点）的灵动音符、预处理的去重步骤、数据集的精心构建、特征工程的深度处理，以及模型选择的逐步升级，从基础到复杂，犹如乐谱的编排。
超参数调优是提升模型表现的关键环节，通过Grid Search、Random Search和Hyperopt（贝叶斯优化）这三位乐师，不断调整参数，如同调音师寻找最和谐的音符，以优化模型的表现。
Hyperopt以贝叶斯优化的优雅手法，提升了搜索效率，如同交响乐团的首席指挥，能在少数尝试中找到接近最优的组合，自动优化过程减少了繁重的手动调整，奏出快速高效的乐章。
在线A/B测试如同首演，优化后的模型在台上替换原版，实时验证优化效果，确保每一次的迭代都是对观众的最好呈现。
Cache & Logic犹如后台的稳定器，过滤掉异常的数据噪声，持续更新模型，既依赖于预训练的扎实基础，又能在微调中灵活调整，确保每个音符的准确无误。
Model Server则是整个音乐厅的核心，它负责接收请求，快速而准确地输出预测，为广告的精准投放提供实时指导。
预估技术的精髓在于解决二元问题，预测点击与不点击，特征X是乐谱上的每一个音符，目标是演奏出点击概率的美妙旋律。交叉熵损失像指挥棒，引导离线评估的AUC和MAPE，以及线上业务指标的和谐共鸣。
AUC，如同ROC曲线下的绿色地带，越宽广代表模型的识别能力越强大，特别适用于数据分布不均的场合。MAPE，则衡量预测误差，如同音符间的偏差，提醒我们追求的不仅是准确，还有稳定性。
E，这个误差百分比指标，就像音乐中的调准，既要保证预测的精度，又要防止在0值的边缘摇摆。模型部署后，通过实际的业务反馈，如CTR和CVR等，来衡量广告点击预测的准确性和效果。
广告点击的预测是一场精准的舞蹈，ItemCF（物品相似度）在冷启动和实时推荐中表现出色，UserCF（用户行为）虽在个性化方面略胜一筹，但需针对冷启动问题采取策略：利用用户人口统计信息寻找相似，热门或精选广告填满空白；离线时，通过矩阵分解或聚类简化计算；在线推荐则追求即时响应，利用实时计算框架提升效率。
LR、GBDT、LR+GBDT，如同不同的乐器，共同演奏广告预测的乐章。逻辑斯蒂回归（LR），以其简洁的逻辑，如同钢琴的黑白键，通过梯度下降调整参数，精确预测用户行为。
