广告ct怎么计算(ct广告)

导语：CTR预估系列(4)——广告CTR预估中预测点击率的校准

在广告CTR预估的过程中，我们需要借助点击和曝光日志来训练模型。但是点击是一个稀有事件，所以点击和曝光日志的量差距往往非常大，能达到1：100甚至1：1000。因此，在训练模型的过程中，我们需要对曝光日志进行采样。在实际操作中我们发现，采用一定的比率随机抽样，使得正负样本比例控制在1：10左右的时候，效果比较好。

但是采用这种策略会产生一个问题，模型训练的结果是有偏的，不符合真实的点击曝光事件的比例。举个例子，比如正负样本比例为1：10，那么训练出来的模型产生的预估CTR会在0.1附近；然而实际中点击和不点击的比例大概在1：100，真实的CTR在0.01左右。

在CTR预估的过程中，我们其实是关心CTR的绝对值的大小的。因为在RTB竞价的过程中，排序是基于CPM的：

所以一旦涉及到外部竞价（第三方竞价）的时候，不进行校准会引起较大的问题，具体来说就是CPM高估，系统出价过于激进；如果是基于CPM结算，竞价系统将永远是一个亏损的系统！实际的流量永远值不了这么多钱。

那么如何进行校准呢？

对于最后用逻辑函数（sigmoid）作为激活函数的模型，可以采用如下方式进行校准：

常见的线性模型（比如LR，FM，FFM等）最后都是用逻辑函数进行激活的，因此都可以采用上述公式进行校准。

使用上述公式进行校准，不会改变CTR的相对关系，所以不会改变模型的AUC。理论上来说，只要不参与外部竞价，就不需要校准；但事实上我们通过线上测试得出的结论是：即便不考虑外部竞价，校准也能带来更好的效果，虽然没有改变CTR的之间的相对关系，但是却改变了CTR分布，校准后的CTR分布方差更小，预测结果整体更加稳定。从曲线也能直观看出，函数取值在0点之前变化更加平缓，0点之后变化更加剧烈，预测值更加不稳定。

Sigmoid函数

对于预测值和真实值之间的偏差有一个叫OE(Observation Over Expectation)的指标，具体公式如下：

OE越接近于1越好，大于1则代表CTR过于低估，小于1则代表高估。

本文内容由快快网络小春创作整理编辑！