广告点击率估算技术综述

计算广告是根据给定的用户和网页内容,通过计算得到与之最匹配的广告并进行精准定向投放的一种广告投放机制.广告的点击率预测是指利用点击日志预测的点击率,其结果受到广告的自身性质、广告位置、页面信息、用户性质,以及广告主信誉等诸多因素的影响.有效地预测广告的点击率,对于提高广告投放的效率有着至关重要的作用.本文介绍了广告点击率预测的常用模型,包括历史数据丰富的广告点击率预测模型、新广告和稀疏广告的点击率估算模型和点击率预测的优化模型,并通过真实数据集举例说明了其实现的方法.     

基于序列特征的点击率预测模型

点击率预测模型是主流推荐系统中十分重要的部分.根据点击率预测的打分来调整商品的展示策略,对提高业务的转化率、改进用户体验等有着重要的意义.传统的点击率预测模型是利用用户特征和商品特征,对点击率进行预测.然而,用户行为序列的结构特征,如周期性规律、趋势等也能一定程度地体现用户行为的倾向.针对部分信息利用上的空缺,使用时间序列分析单元,将提取用户行为序列的特征作为用户特征的扩展,结合因子分解机结构将其与用户、商品特征进行交叉,能够有效提高特征质量,优化点击率预测模型的性能.实验表明,结合用户行为序列特征进行交叉优化的方法能够对点击率预测模型的表现带来很大提升,提高点击率预测的精度.     

基于特征工程的视频点击率预测算法

点击率预测技术在视频推荐系统中具有重要的作用.视频推荐系统可以根据点击率预测的结果调整投放顺序,从而提高用户的真实点击率.在点击率预测问题中,由于数据存在海量性以及不平衡性等问题,点击率预测的精确度一般都较低.针对以上问题,使用特征工程和机器学习相结合的方法,有效地改进了现有的视频点击率预测算法的性能.首先,使用特征工程方法,从原始数据中提取特征,并使用矩阵分解等方法生成交叉特征;然后,分别基于逻辑回归、因子分解机和梯度提升决策树-逻辑回归实现点击率预测模型.实验结果表明,基于因子分解机模型和基于梯度提升决策树-逻辑回归模型的预测精度要优于基于逻辑回归的模型,并且将用户特征和视频特征进行交叉组合能够改进点击率预测的精度.     

基于概率图模型的互联网广告点击率预测

点击率预测可以提高用户对所展示互联网广告的满意度,支持广告的有效投放,是针对用户进行广告的个性化推荐的重要依据.对于没有历史点击记录的用户,仍需对其推荐广告,预测所推荐广告的点击率.针对这类用户,以贝叶斯网这一重要的概率图模型,作为不同用户之间广告搜索行为的相似性及其不确定性的表示和推理框架,通过对用户搜索广告的历史记录进行统计计算,构建反映用户间相似关系的贝叶斯网,进而基于概率推理机制,定量度量没有历史点击记录的用户与存在历史点击记录的用户之间的相似性,从而预测没有历史点击记录的用户对广告的点击率,为广告推荐提供依据.通过建立在KDD Cup 2012-Track 2的Tencent CA训练数据集上的实验,测试了方法的有效性.     

大数据成就RTB精准营销

RTB颠覆传统营销模式 RTB全称为Real-Time Bidding,即人群实时竞价,与传统的购买形式(如CPM,按照每1000个展示曝光进行付费;CPC,按照每个点击进行付费;Monthly Flat:广告位包月;Daily Flat:广告位包天)相比,RTB打破了互联网媒体传统的“广告位”交易方式,将类搜索技术、大数据技术运用到展示类广告上,帮助广告主直接向网络上的“目标人群”实现智能投放广告.     

Web 2.0在广告传播中的应用

Web2.0时代的到来,促使许多新的网络运营模式和新的媒体诞生了,新的网络运营模式比如marketing2.0,work2.0,搜索引擎等,新的媒体比如博客、手机、网络视频和数字化移动电视等,成为投放广告的新型媒介载体。Web2.0技术在广告传播中的应用价值越来越受广告主和商家关注。     

基于特征关联模型的广告点击率预测

点击率(click-through rate,CTR)预测是互联网公司中重要的研究课题,预测结果与上下文、用户属性和广告属性息息相关,CTR的有效预测对提高广告公司的收入至关重要。该文在对传统逻辑回归(logistic regression,LR)模型的相关原理和参数优化算法介绍的基础上,抽离出用户特征和广告特征,将用户与广告之间特征的关联信息添加到Sigmoid函数中得到一种特征关联模型。与以往求解方法不同,该方法采用在线最优化算法FTRL(follow-theregularized-leader)提高参数计算效率,采用混合正则化来防止训练过拟合。真实的广告数据集上的实验结果表明:该方法与传统的模型和方法相比具有更好的预测精度、效率、参数敏感性和可靠性。     

基于压缩激励网络的注意力因子分解机的点击率预测模型

在互联网技术日趋成熟的今天,广告的点击率(click-through rate, CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction, SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network, DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。     

网络视频广告对受众的培养分析——以插播式广告为例

巨大的市场前景和网络用户为广告的发展带来了新的途径和更广阔的空间,也使广告主对网络视频媒体表现出了强烈的关注和投放兴趣。作为插播式广告,目前的发展更是如火如荼。这种新的广告方式,也成为目前最行之有效的方式之一。本文从“培养”理论角度出发,分析网络视频广告的发展对受众的影响,并对插播式视频广告发展新模式进行初步探索。     

基于增强型FNN的广告点击率预测模型

为了进一步提高点击率(Click-through rate,CTR)预测模型学习有效特征组合的能力,该文提出一种基于增强型因子分解向量输入神经网络(Enhanced factorization machine supported neural network,EFNN)的广告点击率预测模型。该模型在基于因子分解向量输入神经网络(Factorization machine supported neural network,FNN)的基础上增加了新特征生成层,采用一种针对CTR数据的卷积操作,对数据进行通道变换后引入Inception结构进行卷积,将生成的新特征和原始特征结合,提升了深度网络的学习能力。实验结果证明,添加了新特征生成层的增强型FNN能有效提高广告点击事件的预测准确率。