最近在学习CTR预测，在此做个总结，便于以后回忆。
CTR预测就是对用户是否点击广告进行预测，其实可以看成二分类问题，即点和不点。因此，自然会想到用logistics回归来完成这个任务。
logistics回归(LR)：
优点：
1、logistics输出的是概率，可以较为直观的解释用户点击广告的几率
2、计算目标函数的复杂度O(N)，计算速度快，所以比较适合处理大数据
缺点：
1、没有考虑特征之间的相关性，没有特征进行组合
2、为了提高模型性能，在模型训练之前，需要做很多的特征工程
GDBT+LR:
使用GDBT的输出作为LR的输入
优点：
1、使用GDBT可以组合特征，增强特征的表达能力
2、通过控制GDBT中树的个数和每颗树的树叶个数来对数据进行降维
FM：
FM通过对每个特征都学习一个隐变量，从而考虑到特征之间的关系。
优点：
1、考虑特征之间的关系，增强了模型的泛化能力
2、通过对目标函数巧妙的分解合并，可以O(N)时间复杂度下完成
3、适合处理稀疏数据。相对来说SVM就不能用来处理稀疏的数据。
补充：FM一般结合GDBT来提高模型性能，即用GDBT的输出作为FM的输入
FFM：
FFM是在FM基础上进行了改进，提出了filed概念。每个特征在不同的filed中有不同的隐变量。
优点：
1、在FM模型的基础，模型的性能得到进一步的提高
2、同样适合处理稀疏数据
缺点：
1、FFM不像FM那样可以对目标函数分解合并，在线性时间内完成函数的计算。在时间复杂度上要比FM要复杂。
以二次项为例时间复杂要O(N^2)
也可以用常用的机器学习方法来完成CTR预测，如xgboost、SVM、RF等
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','https://www.xiaopingtou.cn//data/attach/topic/topicKPo7gB.jpg', '推荐 weixin_34341229 的文章《关于CTR预测的一个总结》','https://www.xiaopingtou.net/article-84466.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}