概要

并没有觉得这是篇高质量的文章,非常奇怪为什么可以发表在AAAI上面。
文章的创新点比較单薄:在传统点击率预測模型(LR)的基础上增加了两类新的特征,一个是位置特征。一个是广告上下文特征——即和它并排展示的其它广告的特征
详细内容
1. 建模
文章中,作者用了两种模型:
(1)逻辑回归模型
作者用0-1特征,将位置信息作为一个种特征增加到模型其中;输出结果也是0-1二分类。表示用户是否点击了这个广告。
值得注意的是:作者觉得,训练出来的模型參数,某个特征的系数值比較大,则这个特征也比較重要——在后人的研究中,这是对逻辑回归模型典型误解,其中一种解释就是逻辑回归模型中的特征并不一定是真正相互独立的(尽管LR强制他们独立)
(2)另外一种模型
将用户“看到”这个广告作为一个单独的变量进行建模,p(click|ad, position) = p(click|ad, seen) * p(seen|position)——貌似不是他首次提出这个
2. 实验
作者用most frequent query来构建训练集。对于逻辑回归模型,作者尝试了两种方法:(1)针对每一个query来建模;(2)对于全部query。建立一个global模型
实验证明,(1)的效果好于(2)。
作者又构建了‘另外一种模型’,发现另外一种模型的效果比逻辑回归差非常多。
再之后,作者增加了广告上下文特征,即’和它并排展示的其它广告的特征‘。只是由于最初的时候,当前广告以及其它广告的选取、排序还不清楚,这个特征怎样提取、增加?作者觉得,这个特征是前面广告特征的系数的函数,即以这些系数为输入。在此基础上再乘以一个系数。只是在训练之前。这些系数也不清楚。

作者用了相似EM的方法来训练,即固定一组系数,训练还有一组。

总结:
非常奇怪这个文章能发到AAAI上面。

转载于:https://www.cnblogs.com/ldxsuanfa/p/10742000.html

【点击模型学习笔记】Modeling contextual factors of click rates_MS_AAAI2007相关推荐

  1. 【点击模型学习笔记】Predicting Clicks_Estimating the Click-Through Rate for New Ads_MS_www2007...

    概要: 微软研究院的人写的文章,提出用逻辑回归来解决ctr预估问题,是以后ctr的经典解决方式,经典文章. 详细内容: 名词: CPC -- cost per click CTR -- click t ...

  2. Heckman两阶段模型学习笔记

    有近两周的时间都在学习Heckman两阶段模型.网上看了一些资料,在CSDN里找到了几篇珍贵的学习笔记,有一篇相当于带我入了门学习笔记 | Heckman两阶段法介绍_Claire_chen_jia的 ...

  3. DMU-单性状重复力模型-学习笔记3

    单性状重复力模型 本次主要是演示如何使用DMU分析单性状重复力模型. 重复力模型和动物模型的区别: 不是所有的性状都可以分析重复力模型, 首先重复力模型是动物模型的拓展, 它适合一个个体多个观测值的情 ...

  4. 文本分类模型学习笔记

    文本分类模型学习笔记 TextCNN 模型结构 HAN 模型结构 实验 数据集 预处理 模型内容 模型训练 模型测试 近年来,深度学习模型在计算机视觉和语音识别中取得了显著成果.在自然语言处理中,深度 ...

  5. 概率图模型学习笔记:HMM、MEMM、CRF

    作者:Scofield 链接:https://www.zhihu.com/question/35866596/answer/236886066 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权 ...

  6. ARIMA模型学习笔记

    ARIMA模型学习笔记 目录 ARIMA模型学习笔记 ARIMA模型 时间序列平稳性 什么是平稳性 严平稳 弱平稳 平稳性检验 ADF检验(Augmented Dickey-Fuller test) ...

  7. MNL——多项Logit模型学习笔记(二)

    本节将会通过案例举例,介绍Logit模型的建模思路和过程 内容为摘抄他人学习资料的个人学习笔记,如有侵权则删 1.正确打开/解读Logit模型系数的方式 本节的具体内容在笔记里不详细表示了,大家在软件 ...

  8. 分类模型 · 学习笔记一

    文章目录 分类模型 分类算法一:逻辑回归 一.直接采用线性概率模型是否可行? 二.模型的构建 1. 两点分布(伯努利分布) 2. 那么连接函数 F ( x , β ) F(x,\beta) F(x,β ...

  9. 生成模型学习笔记:从高斯判别分析到朴素贝叶斯

    机器之心专栏 作者:张威 翻译:燕子石 本文是哥伦比亚大学研究生张威在生成模型上的学习笔记,由毕业于新西兰奥克兰理工大学的燕子石翻译.机器之心之前曾介绍过张威所写的吴恩达<机器学习>课程的 ...

最新文章

  1. win7/8SVN必备的4个服务
  2. JDK 序列化, 碰到serialVersionUID 不一致问题,怎么处理?
  3. 计算机程序的思维逻辑 (63) - 实用序列化: JSON/XML/MessagePack
  4. 美团2020年全年财务报告:疫情期间网络营销之下的美团选择进军社区团购
  5. 中国人工智能产业发展指数重磅发布,中国声谷首批AI达摩名单揭晓
  6. C语言的关键字 extern
  7. reg类型变量综合电路_2014年PLD习题集(含参考答案)数字系统设计
  8. python分析服务器日志_python实现web服务器日志分析脚本
  9. java 开发者异常处理_Java异常处理和设计
  10. Latex——从基础表到进阶表的讲述
  11. .第一天.net 学习理论
  12. cf-#189-div 2
  13. java定时每小时_java 定时任务,每日运行和每小时运行。
  14. 从游戏商业思维中分析游戏用户行为数据(主要是参考网上的一些感想)
  15. python列表平均值的算法_python计算一个序列的平均值的方法
  16. 开发游戏十年,遭遇游戏开发史上最诡异事件,然而被我成功解决了!
  17. 读《有效管理的5大兵法》笔记摘录(一)核心价值观:求实、进取、创新、协同、分享
  18. defineProps
  19. 等保分保关保密评|四道防线守护网络信息安全
  20. 主题:考虑阶梯式碳交易与供需灵活双响应的综合能源系统优化调度

热门文章

  1. vue 定时器:setInterval和setTimeout使用实例及区别
  2. bundle java_Bundle类
  3. Vue3学习之第三节:setup()中使用计算属性
  4. 不相交集java_不相交集类
  5. 动态规划:leetcode 416 分割等和子集(背包问题应用)
  6. J2EE中使用MediaInfo库获取视频信息
  7. java canvas类_java中的canvas类有什么作用?
  8. python怎么隔一个读取一个_Python实现中一次读取多个值的方法
  9. Echarts鼠标悬浮样式
  10. Bootstrap 下拉菜单事件