一、广告计算的基本概念

1、广告的形式

在互联网发展的过程中，广告成为了互联网企业盈利的一个很重要的部分，根据不同的广告形式，互联网广告可以分为：

展示广告(display ads)

赞助商搜索广告(sponsored search)

上下文广告(contextual advertising)

2、竞价模型

对于在线广告，主要有如下的几种竞价模型：

按展示付费(pay-per-impression)：直观来讲，按展示付费是指广告商按照广告被展示的次数付费，这是一种最普遍的竞价模型；

按行为付费(pay-per-action)：按行为付费是指只有在广告产生了销售或者类似的一些转化时，广告商才付费；

当然，对于以上的两种竞价模型各有其局限性：在按展示付费模型中，压根没有考虑到广告的效果，只是按照广告流量进行售卖的模式；对于按行为付费模型，虽然其考虑到了广告效果，但其的条件是产生了某种转化，这种转化有时很难追踪和记录。此时，为了解决这两种模型的局限性，通常可以按照一个用户是否会点击广告作为最终的度量标准，即按点击付费模型(pay-per-click)。

按点击付费(pay-per-click)：根据用户是否会点击广告来付费。

这里便出现了一个重要的概念，便是广告点击率(the click-through rate, CTR)。

3、广告点击率(CTR)

广告点击率CTR是度量一个用户对于一个广告的行为的最好的度量方法，广告点击率可以定义为：对于一个广告的被点击(click)的次数于被展示(impression)的次数的比值。

CTR=#click#impression

广告点击率对于在线广告有着重要的作用，在网络中，对于有限的流量，通常要选择出最优质的广告进行投放，此时，CTR可以作为选择广告和确定广告顺序的一个重要的标准。

但是在计算CTR时，由于数据的稀疏性，利用上述的计算方法得到的CTR通常具有较大的偏差，这样的偏差主要表现在如下的两种情况：

1、例如展示impression的次数很小，如1次，其中，点击的次数也很小(这里的很小是指数值很小)，如1，按照上述的CTR的计算方法，其CTR为1，此时的点击率就被我们估计高了；

2、例如展示的次数很大，但是点击的次数很小，此时，利用上述的方法求得的CTR就会比实际的CTR要小得多。

出现上述两种现象的主要原因是我们对分子impression和分母click的估计不准确引起的，部分原因可能是曝光不足等等，对于这样的问题，我们可以通过相关的一些广告的展示和点击数据对CTR的公式进行平滑处理。

二、CTR的平滑方法

1、数据的层次结构——贝叶斯平滑

假设有N个相同的账号(a1,a2,⋯,aN)，对于网页p，对于这样的网页和账号组(p,ai)。假设(C1,C2,⋯,CN)为观测到点击数据，(r1,r2,⋯,rN)为隐含的CTR的值，为点击率，点击率在此是一个隐含的参数，广告是否被点击满足二项分布，即Binomial(Ii,ri)，其中，Ii表示广告被展示的次数。

贝叶斯思想认为，隐含的参数不是一个具体的值，而是满足某个分布，我们知道贝叶斯参数估计的基本过程为：

先验分布+数据的知识=后验分布

已知二项分布的共轭分布为Beta分布，对此，有以下的两点假设：

1、对于一个广告，其点击Ci符合二项分布Binomial(Ii,ri)，其中，Ii表示的是展示的次数，ri表示的是广告被点击的概率；

2、对于所有的广告，有其自身的CTR，其CTR满足参数是α和β的贝塔分布Beta(α,β)。

假设有N个广告，广告被展示的次数为(I1,I2,⋯,IN)，广告被点击的次数为(C1,C2,⋯,CN)，上述的两个假设可以表示为如下的形式：

其对应的概率图模型为：

点击率ri不仅与(Ii,Ci)相关，而且与参数α和参数β相关，我们可以通过计算得到参数α和参数β的估计α̂ 和β̂ ，一旦α̂ 和β̂ 被确定后，则ri的估计为：

ri=Ci+α̂ Ii+α̂ +β̂

所以，现在，我们需要求解参数α和参数β的估计α̂ 和β̂ 。

点击C的似然函数为：ℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)，由于点击的次数以及展示的次数之间都是相互独立的，因此上式可以表示为：

ℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∏i=1Nℙ(Ci∣Ii,α,β)=∏i=1N∫riℙ(Ci,ri∣Ii,α,β)dri=∏i=1N∫riℙ(Ci,∣ri,Ii)ℙ(ri∣α,β)dri

已知

ℙ(Ci,∣ri,Ii)=rCii(1−ri)Ii−Ci

ℙ(ri∣α,β)=Γ(α+β)Γ(α)Γ(β)rα−1i(1−ri)β−1

则上式可以写成：

=∏i=1N∫riℙ(Ci,∣ri,Ii)ℙ(ri∣α,β)dri=∏i=1N∫rirCii(1−ri)Ii−CiΓ(α+β)Γ(α)+Γ(β)rα−1i(1−ri)β−1dri=∏i=1N∫riΓ(α+β)Γ(α)Γ(β)rCi+α−1i(1−ri)Ii−CI+β−1dri=∏i=1NΓ(α+β)Γ(Ii+α+β)Γ(Ci+α)Γ(α)Γ(Ii−Ci+β)Γ(β)

此时，我们需要求得该似然函数的最大值，首先，我们对上述的似然函数取对数，即为：

logℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∑i=1NlnΓ(α+β)−lnΓ(Ii+α+β)+lnΓ(Ci+α)−lnΓ(α)+lnΓ(Ii−Ci+β)−lnΓ(β)

将上述的log似然函数分别对α和β求导数，即为：

dlogℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dα=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ci+α)−Ψ(α)

dlogℙ(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dβ=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ii−Ci+β)−Ψ(β)

其中，Ψ(x)=ddxlnΓ(x)。通过 the fixed-point iteration方法，可以得到如下的结果：

αnew=α∑Ni=1[Ψ(Ci+α)−Ψ(α)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]

βnew=β∑Ni=1[Ψ(Ii−Ci+β)−Ψ(β)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]

上述的求解过程是一个迭代的过程，一旦求出了参数α和参数β的估计α̂ 和β̂ ，便可以求出点击率的估计：

ri=Ci+α̂ Ii+α̂ +β̂

2、数据在时间上的一致性——指数平滑

相比上述的贝叶斯平滑，指数平滑相对要简单点，对于CTR中的点击，这是个与时间相关的量，假设对于一个广告，有M天的点击和展示数据(I1,I2,⋯,IM)，(C1,C2,⋯,CM)。若要估计第M天的CTR的值，我们需要对分别对I和C进行平滑，得到平滑后的Π和Ĉ 。其计算方法如下：

{Ĉ j=CjĈ j=γCj+(1−γ)Ĉ j−1 if j=1 if j=2,⋯,M

{Πj=IjΠj=γIj+(1−γ)Πj−1 if j=1 if j=2,⋯,M

其中，γ称为平滑因子，且0

Ĉ M=γCM+(1−γ)Ĉ M−1=γCM+(1−γ)(γCM−1+(1−γ)Ĉ M−2)=γCM+γ(1−γ)CM−1+⋯+γ(1−γ)jCM−j+⋯+γ(1−γ)M−1C1

参考文献

Click-Through Rate Estimation for Rare Events in Online Advertising.Xuerui Wang, Wei Li, Ying Cui, Ruofei (Bruce) Zhang, Jianchang Mao Yahoo! Labs, Silicon Valley United States

作者：google19890102 发表于2016/1/11 18:19:15 原文链接

阅读：224 评论：0 查看评论