广告点击预测

1. 问题定义

预测用户是否会点击某个广告，是数字广告领域中的一个关键问题。它直接影响收入和用户体验。请构建一个机器学习模型，用于预测广告是否会被点击。

我们聚焦于一个二分类问题：

• 输入：关于用户、广告本身以及上下文环境的特征
• 输出：用户点击该广告的概率（1 表示点击，0 表示未点击）

为了简化问题，我们不涉及复杂的多阶段广告排序流程（例如级联分类器），而是将其视为一个独立的预测任务。

背景：广告是如何投放的

在深入讨论评估指标和建模之前，先了解广告通常是如何被投放的。大多数广告投放系统采用“瀑布流”模型。

瀑布式收益模型

1. 发布商优先通过直接交易以最高千次展示成本（CPM）出售广告展示机会；
2. 若未售出，则将此次展示机会逐级下放至其他广告网络或交易平台；
3. 此过程持续进行，直到广告展示最终被成功售卖。

越快且越准确地预测哪个广告会被点击，系统的整体表现就越好——不仅体现在点击率上，还包括收入和用户参与度。

2. 指标设计与需求

评估指标

在训练阶段，我们可以专注于机器学习相关的评估指标，而非直接使用收入或CTR等业务指标。以下是两类主要指标：

离线指标

• 归一化交叉熵（NCE）：NCE 是预测的对数损失（logloss）除以基准 CTR 对应的交叉熵。这种方式使得 NCE 不受整体背景点击率变化的影响。公式如下：

$NCE = \frac{-\frac{1}{N} \sum_{i=1}^n (\frac{1+y_i}{2} log(p_i)) + \frac{1-y_i}{2}log(1-p_i))} {-(p*log(p) +(1-p)*log(1-p))}$

其中：

• $𝑦_𝑖$：真实标签（0 或 1）
• $𝑝_𝑖$：模型预测的概率
• $𝑝$：全局平均点击率

该指标会对高置信度但错误的预测施加更重的惩罚，非常适合用于评估概率型分类器。

在线指标

• 收入提升（Revenue Lift）：指一段时间内收入的变化百分比。新模型上线时，会先在小部分流量上部署。关键在于权衡测试流量占比与 A/B 测试周期的长度。

系统需求

训练阶段

• 数据不平衡：实际场景中点击率（CTR）极低（约 1%-2%），导致监督学习训练困难。需要采用能够处理高度不平衡数据的方法来训练模型。

• 重训练频率：需具备一天内多次重新训练模型的能力，以应对线上数据分布的动态变化。

• 训练/验证集划分：为模拟真实生产环境，训练集与验证集应按时间切分，确保无时间穿越。

推理阶段

• 服务性能：广告点击预测需满足低延迟要求（50ms - 100ms）。

• 延迟控制：由于广告请求经过瀑布流模型处理，因此机器学习模型的推荐响应必须足够迅速。

• 防止预算超支：若广告投放模型反复推送相同广告，可能导致广告活动预算过早耗尽，造成发布商经济损失。

总结