facebook:gbdt+lr在ctr预估中的应用

背景

• facebook上的广告并不是与query关联的，而是与用户的兴趣及其人口信息相关，所以相比于搜索其候选广告的体量要大的多；
• 级联模型：解决上述大量候选集合的问题，逐级增大计算复杂度；

实验：

• 评估方法：

1.归一化互信熵：y-->(-1,+1)

2.Calibration:预测点击数/观测点击数

CTR_avg_estm/CTR_empr

3. AUC：area-under-ROC  度量排序质量

模型结构