快速提高广告CTR的几个解决方案

本文目录

1. 广告领域CTR、CVR、ROI介绍
2. 展现广告点击率ctr预估 冷启动怎么解决
3. 计算广告CTR预估系列(一)--DeepFM理论
4. 广告点击率CTR修正-Wilson CTR

广告领域CTR、CVR、ROI介绍

点击率（CTR）：广告吸引力的度量

CTR，全称Click-through Rate，是衡量网络广告吸引力的重要指标。它是点击广告的次数与广告展示次数之间的比率，以百分比形式展现。高CTR意味着广告能唤起观众的兴趣，提升广告效益。通过优化广告策略，我们可以提高CTR，从而提升广告系统收益，形成广告投放的良性循环。

转化率（CVR）：商业价值的衡量标准

CVR，即Conversion Rate，直指广告目标达成的效率。它是指用户完成预设行为（如购买、注册）的次数与广告展示次数的比例。CVR是评估广告商业价值的关键，高CVR意味着广告更具有说服力，能有效驱动用户行为。通过监控CVR，广告主可以调整广告内容和定向策略，以提升整体投放效果和ROI。

投资回报率（ROI）：投资决策的财务指南

ROI，Return on Investment的缩写，是衡量投资效益的黄金标准。它显示的是投资收益与成本之间的比率，以百分比形式呈现。对于广告投放而言，ROI帮助企业判断不同渠道和策略的收益与成本效益，以便优化投资决策，确保广告投放策略的效益最大化。

计算公式与应用

CTR=点击次数/广告展示次数

CVR=完成目标行为的次数/广告展示次数

ROI=(收益-成本)/成本× 100%

通过这些关键指标的分析，广告主能够更精确地评估广告效果，调整策略，以达到更高的广告效果和商业目标。

展现广告点击率ctr预估 冷启动怎么解决

逻辑回归可以用在CTR(Click Through Rate)预估上，即通常所说的点击率预估。点击率预估的意义在于，搜索引擎等广告平台想要赚更多的钱，就要通过某一种机制让赚钱最多的广告排在前面（或有更多的概率被展示）。

一、排序规则

为了获得更多的收益，一般搜索引擎、广告联盟的排序规则是：

其中$bidPrice$是指广告主给出的竞拍价格，$CTR$就是我们预估的该广告的点击率，总体结果越高越容易被展示。

当然，这个最终的分数计算还有其他的规则，这里只是列出具CTR预估在这里的重要作用。

二、逻辑回归

我们依然使用之前在逻辑回归中用到的$sigmoid$函数作为模型：

含义为，我们给出一个查询Q和一个广告，预测其被点击(y=1)的概率。

我们的特征数据包括：广告质量得分、广告创意得分、Query与广告的相关性、相对价格、相对成交量等等，具体这些特征的值如何获得又是另外的课题，这里暂不涉及。

有了特征数据，现在我们有一批数据如下图所示：

0 20 0.294181968932 0.508158622733 0.182334278695 0.629420618229

0 68 0.1867187241 0.606174671096 0.0748709302071 0.806387550943

0 18 0.62087371082 0.497772456954 0.0321750684638 0.629224616618

1 90 0.521405561387 0.476048142961 0.134707792901 0.400062294097

0 75 0.0126899618353 0.507688693623 0.377923880332 0.998697036848

0 8 0.308646073229 0.930652495254 0.755735916926 0.0519441699996

0 64 0.444668888126 0.768001428418 0.501163712702 0.418327345087

0 79 0.842532595853 0.817052919537 0.0709486928253 0.552712019723

1 32 0.410650495262 0.164977576847 0.491438436479 0.886456782492

其中第一列是正样本（被点击）的个数，第二列是负样本（展示但未点击个数）。

三、逻辑回归

关于逻辑回归的原理可以参考我之前的文章，我们会发现这里的数据与之前的不同，每一行不再是一个单独的记录，而是一组记录的统计，这种形式在实践中更容易计算，并且更节省存储空间。

四、R逻辑回归

我们首先把数据读取到内存中，存储于ctr_data变量中：

ctr_data= read.csv('CTR_DATA.txt',header=F,sep="")

看一下里面的数据：

> head(ctr_data)

V1 V2 V3 V4 V5 V6

1 0 20 0.29418197 0.5081586 0.18233428 0.62942062

2 0 68 0.18671872 0.6061747 0.07487093 0.80638755

3 0 18 0.62087371 0.4977725 0.03217507 0.62922462

4 1 90 0.52140556 0.4760481 0.13470779 0.40006229

5 0 75 0.01268996 0.5076887 0.37792388 0.99869704

6 0 8 0.30864607 0.9306525 0.75573592 0.05194417

把该变量添加到环境变量中，这样后面使用其中的字段就可以直接写了：

attach(ctr_data)

最重要的一步，根据数据生成逻辑回归模型：

ctr_logr= glm(cbind(V1,V2)~V3+V4+V5+V6,family=binomial(link="logit"))

其中$y$~$x{1}+x{2}$的意思是根据$x{1}$、$x{2}$来预测y出现的概率。

我们新创建一个数据集，对其出现的概率(即V1所代表的含义)进行预测：

record= data.frame(V3=0.294181968932,V4=0.508158622733,V5=0.182334278695,V6=0.629420618229)

d<- predict(ctr_logr, newdata= record, type="response")

1

0.004845833

可以清楚地看到，该特征向量(即一个广告)被点击的概率是0.00484，也就是说大约展示250次可能会被点击一次。

计算广告CTR预估系列(一)--DeepFM理论

DeepFM理论的核心要点如下：

CTR预估的挑战：

高维度和稀疏性：广告CTR预估涉及大量的类别型特征，这些特征经过onehot编码后会变得非常稀疏，增加了特征组合的复杂性。类别型和连续型数据：数据类型的多样性要求模型能够同时处理这两种类型的数据。

DeepFM模型的结构：

FM组件：专注于学习低阶组合特征，通过隐向量的内积实现。虽然理论上可以捕获高阶特征，但实际应用中通常只考虑到二阶交叉特征。Deep组件：利用深度神经网络学习高阶组合特征，提高了模型的表达能力。

特征共享策略：

共享feature embedding：FM和Deep组件共享输入和embedding矩阵，加速了训练过程，提高了模型的准确性。

优势：

全面的特征学习：覆盖了低阶和高阶组合特征，实现了端到端的训练，避免了人工特征工程的繁琐过程。高效和准确：为广告CTR预估和推荐系统提供了更高效、准确的解决方案。相较于Wide&Deep模型的优势：DeepFM在学习低阶和高阶组合特征上具有优势，同时避免了需要专业领域知识进行特征工程的局限性。

总结：DeepFM模型通过结合FM组件和Deep组件，实现了全面的特征学习，成功解决了CTR预估中的组合特征提取难题，为广告CTR预估和推荐系统提供了更高效、准确的解决方案。

广告点击率CTR修正-Wilson CTR

CTR，即点击通过率，是衡量广告推荐系统中算法好坏的重要指标，计算公式为点击数除以曝光数。

原始CTR计算方式只考虑相对值，未考虑绝对值。曝光量少时，计算出的CTR不可靠，只有样本充足，才能反映真实情况。

以三个广告为例，点击数分别为5、50、500，曝光数分别为10、100、1000，CTR都是0.5。但从实际表现和置信角度分析，C> B> A，因C的样本数更多，可信度更高。

为了衡量样本数对CTR置信区间的影响，引入“威尔逊（Wilson）区间”概念，公式为P± Z*√(P*(1-P)/ n)。其中，P是概率，即点击率或CTR；n是样本总数，即曝光数；Z是置信度下限的正态分布分数，如95%置信度下Z值为1.96。

威尔逊区间的含义是在一定置信度下，真实CTR的范围。通过威尔逊CTR修正的源码，可以更准确地估计广告的真实点击率，提高广告推荐系统的效率和精准度。