廣告分析

廣告點擊率預測中的幾點問題

@zen.wan

? ? ? ?【問題來源】LR模型將會用于對廣告展現時，根據點擊率，對展現的廣告做重排序。具體的做法是：

• 根據一個月該行業的日志，找到每次搜索時，當時展現的所有廣告（一次展現固定出三條廣告）。他們把每個廣告的每次展現當作樣本，當時是否點擊為LR的y值：0或者1。這樣一共獲得了50w個樣本（比如在一次搜索queryA下展現了三條廣告a，b，c，其實a被點擊了一次，那么這次搜索一共對應3個樣本，其中第一個樣本的y為1，后面兩個樣本的y為0）
• 對樣本做均勻抽樣分成兩份，70%為訓練樣本，30%為測試樣本，抽取了100種特征，其中一個特征是當時廣告在網頁中的排序（1，2或者3）
• 使用公司的LR在訓練樣本上進行訓練，在測試樣本中進行檢測， 認為LR模型給出的p即為廣告的點擊率，其中：

對于廣告在網頁中的排序，韓梅梅使用的方法是離散乘0-1特征，即將排序離散成（是否為第一名，是否為第二名，是否為第三名），如果樣本的排序是第一名，對應的特征為（1,0,0），如果樣本的排序為第二名，對應的特征為（0,1,0），而李雷的方法是直接對排序做歸一后當作特征的取值，如第一名為0，第二名為0.5，第三名為1，問他們誰的方法效果會更好，為什么？

一般大型LR模型都是使用隨機梯度下降的方式，所以需要選擇初始值，韓梅梅把beta()的初始值設置成了廣告的平均點擊0.01，而李雷把bata()設置為1，問在實際線上應用的時候，他們誰的方法效果會更好，為什么？

在直接使用LR模型的時候(loss=\sum yi*log(h(x))+(1-yi)*log(1-h(x)))h(x）=1/(1+exp(-xi*thetai)),韓梅梅和李雷發現在訓練樣本中擬合的很好，但是在測試樣本中效果比較差，問可能是什么原因導致？怎么解決？

d.在測試的時候，他們使用auc來評估效果，請問auc是怎么計算的？

---

在單特征（實際業界還需要用到cross_feature）提取中，對于categorical feature ，一般采用one-hot encoding(獨熱編碼)，而cross_feature 也一般是對categorical feature經常交叉。需要one-hot encoding 是因為一些離散的值是沒有比較大小的意義，比如gender=[“man”,”female”]，city = [“shanghai”,”hefei”,”wuhan”]，對于一些看似可比的feature，實際上也是沒有可比性的，比如廣告的位置（rank）。有實際比較意義的feature如：price價格),reviews_count(評論數),sold_count(銷量）等。
下面我舉個例子來說明one-hot encoding:
user_gender=gender=[“man”,”female”]，user_city = [“shanghai”,”hefei”,”wuhan”] ,ad_rank = [1,2,3] 則feature_set = [“man”,”female”,”shanghai”,”hefei”,”wuhan”,rank_1,rank_2,rank_3],假如有一條記錄是：一位上海的男同學對第二個廣告進行了點擊，則one-hot endoing的結果就是[1,0,1,0,0,0,1,0].
實際開發中，我們需要掃描兩次數據，采用稀疏矩陣存儲，第一次生成feature_set,第二次再進特征編碼。

beta()初始值設定沒有固定原則，beta()的幾何意義是截距，就是在特征權值w全為0的情況下的取值，從另外一個角度看，就是對一個全新的商品賦予的點擊率。通常可以取平均值，取1的話就是賦予了對點擊率預測來說 有點過高，不太可取。

模型選擇的策略一般有兩種，一種是結構風險最小化，還有一種是經驗風險最小化，此處選用的是經驗風險最小化，經驗風險最小化的一個缺點是，它求取的的參數是對于訓練集的無偏估計，結果就是容易產生過擬合現象，即對訓練集而言有良好的泛化能力，對驗證集卻很糟糕，而結構風險最小化就是克服over-fitting而提出的，它的做法就是在經驗最小化的基礎上增加一個正則化因子，正則化項可以是參數向量的L1范數，也可以是L2范數！業界通常采用LR+L1的做法（Lasso回歸）。為什么選擇L1而不是L2，主要是L1是一種稀疏型學習方法。

計算AUC前需要了解ROC曲線：

正如我們在這個ROC曲線的示例圖中看到的那樣，ROC曲線的橫坐標為false positive rate（FPR），縱坐標為true positive rate（TPR）。下圖中詳細說明了FPR和TPR是如何定義的。

接下來我們考慮ROC曲線圖中的四個點和一條線。第一個點，(0,1)，即FPR=0, TPR=1，這意味著FN（false negative）=0，并且FP（false positive）=0。Wow，這是一個完美的分類器，它將所有的樣本都正確分類。第二個點，(1,0)，即FPR=1，TPR=0，類似地分析可以發現這是一個最糟糕的分類器，因為它成功避開了所有的正確答案。第三個點，(0,0)，即FPR=TPR=0，即FP（false positive）=TP（true positive）=0，可以發現該分類器預測所有的樣本都為負樣本（negative）。類似的，第四個點（1,1），分類器實際上預測所有的樣本都為正樣本。經過以上的分析，我們可以斷言，ROC曲線越接近左上角，該分類器的性能越好。
AUC（Area Under Curve）被定義為ROC曲線下的面積，顯然這個面積的數值不會大于1。又由于ROC曲線一般都處于y=x這條直線的上方，所以AUC的取值范圍在0.5和1之間。使用AUC值作為評價標準是因為很多時候ROC曲線并不能清晰的說明哪個分類器的效果更好，而作為一個數值，對應AUC更大的分類器效果更好。
最簡便的計算規則如下：首先對score從大到小排序，然后令最大score對應的sample 的rank為n，第二大score對應sample的rank為n-1，以此類推。然后把所有的正類樣本的rank相加，再減去正類樣本的score為最 小的那M個值的情況。得到的就是所有的樣本中有多少對正類樣本的score大于負類樣本的score。然后再除以M×N。即 另外，特別需要注意的是，再存在score相等的情況時，對相等score的樣本，需要 賦予相同的rank(無論這個相等的score是出現在同類樣本還是不同類的樣本之間，都需要這樣處理)。具體操作就是再把所有這些score相等的樣本 的rank取平均。然后再使用上述公式。

---

參考文獻：
[1]李航．統計學習方法．清華大學大學出版社．
[2]ROC和AUC介紹以及如何計算AUC
[3]?AUC的計算方法總結

總結

以上是生活随笔為你收集整理的广告分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。