@onejune
2018-07-23T10:15:51.000000Z
字数 1721
阅读 738
FTRL 计算广告 点击率预估
因为一直在关注美团技术团队的官方博客以及其他一些比较有技术深度的公号，经常会看到一些很有深度的跟实际业务场景紧密相关的技术文章，受益很深。看着看着就萌生了对我们团队的技术应用做个细致总结的念头，毕竟我们广告变现也算是人工智能在大数据领域最成功落地的应用之一。数字广告作为互联网的核心商业化手段更是AI应用的前沿阵地[1]。作为一个误打误撞进入这个领域并立志一条路走到黑的“年轻人”，这是一个很好的机遇。虽然FTRL在我们系统中已经上线1年多的时间，各种架构和策略也在逐渐的成熟，但也会不断遇到一些颇具挑战性的而又比较新颖的难题，随着各路大牛的加入，这些问题都在不断的被攻克，这对我自身来说提供了一个很好的学习的机会。一路坎坷走来，虽然也取得了一些成绩，但是细致的回味和总结一下，依然会有很多值得深入思考的东西，有些点似乎可以做得更好，尤其是，我们有些技术经验，在很多场景下是可以复用的。
写下这篇文章，更多的是对自己这一年多的工作的一个技术总结和复盘，提升自己造福后人，如果有人能从中获取到一些对自己有用的信息，那对我是一种莫大的鼓励。因为本人生性驽钝，错误不实之处在所难免，请大家多多谅解。
Mintegral（以下简称M系统）是Mobvista公司研发的移动营销领域领先的程序化互动广告平台，聚焦亚太，辐射全球，以AI技术为驱动，为全球广告主和开发者提供创新的、极致体验的、高效的移动营销和变现解决方案，帮助他们实现营销和收入增长。
我所在的团队主要负责SSP端，即针对媒体（应用开发者）的收益进行优化，最大化开发者收益的同时保证平台的收益。所以以下讨论的都是SSP端的内容，DSP端的内容这里不做涉及。
说白了，计算广告在SSP端的核心问题，就是点击率预估，所有的策略和模型最终都是为它服务的，因此点击预估算法也就成为了计算广告的核心算法之一。
点击率预估是对每次广告在展现之后的点击情况做出预测，预测的结果是一个概率值。如果用q表示一次用户请求，a表示一个广告，那么点击率就可以表示成，而推荐算法就是根据每个广告（campaign）预估的点击率做一个降序排序，最终得到的是一个广告序列返回给客户端。
so，the problem comes：
以上都是曾经萦绕在我脑海中的一些问题，有些问题书本上也能给出比较抽象的答案，但是具体到业务场景中来，就会有不一样的思考和transform，以下会一一解答。
在机器学习领域，书籍出版是远远落后于业界知识更新的，这就逼迫我们每个从业者都需要大量阅读资料和论文，不断提升知识储备，这是一个不小的挑战。