DSP模型中FM FFM模型

2019-04-13 21:06发布

机器学习方法应用在DSP广告投放中,预估CTR/CVR,业界常用的方法是人工特征工程+LR,GBDT,近期FM,FFM模型在其中使用效果非常显著。先解释一波DSP相关专业术语: 
DSP:Demand-Side platform,需求方平台,在互联网广告产业中,DSP是一个系统,也是一种在线广告平台,服务于广告主,帮助广告主在互联网上进行广告投放。两个核心特征:强大的RTB(Real-Time Bidding)的基础设施和能力,强大的用户定位(Audience Targeting)技术。 
CPC:Cost Per Click按点击计费 
CPA:Cost per Action按成果数计费 
CTR: Click Through Rate 点击率 
CVR: Click Value Rate 转化率,衡量CPA广告效果的指标。 
了解DSP中的基础算法和模型,可以参考M6D公司的文章,以及一份中文解释:http://www.techinads.com/archives/41FM:Factorization Machine 因子分解机,又称分解机器,旨在解决大规模稀疏数据下的特征组合问题。 
FFM:Field-aware Factorization Machine,场感知分解机器,把相同性质的特征归于同一个field稀疏问题引出: 
在机器学习中,尤其是计算广告领域,特征并不总是数值型,很多时候是分类值,对于categorical feature,通常会采用one-hot encoding转换成数值型特征,转化过程会产生大量稀疏数据。one-hot encoding:独热编码或者叫一位有效编码,使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器,并且在任意时刻,只有一位有效。可以这么理解:对于每一个特征,如果它有m个可能取值,那么经过one-hot encoding之后,就变成了m个二元特征,并且,这些特征互斥,每次只有一个激活,因此,数据会变得稀疏。好处:1.解决了分类器不好处理属性数据的问题。2.在一定程度上起到了扩充特征的作用。 
推荐两篇文章: 
美团背景: 
http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html 
新浪背景: 
http://www.360doc.com/content/16/0608/07/1317564_565957182.shtml 
具体的原理和代码后期补充。转自:https://blog.csdn.net/xiaomuworld/article/details/51956051