您现在的位置是：课程
CTR 预估技术的演变历史
2023-06-29 21:14课程 人已围观
一、开篇
1、数学化表示
2、什么是人工智能
3、从其他行业到人工智能
二、逻辑回归
1、模型, 损失函数和最优化方法
2、总结：逻辑回归是最基础的模型, 包含了机器学习的⼏⼤基本要素, 很 多和深度学习都是很相似的. 它只对于离散变量⽐较适合, 并且 只能学习到 general 的信息, 对于其表达能⼒有了⽐较⼤的制约. 但是其简单, 有效, 计算速度快, 适合在线学习等特点, 使得其依 然是现在 CTR 预估的最重要模型之⼀。
三、深度模型
1、概述：在深度模型这⾥, 我们主要通过两条线来讲解: 他们都是通过 FM 模型出发, ⼀条是 FM 的深度模型复杂化, 另⼀条是 embedding + MLP ⾃⾝的演进特点结合 CTR 预估本⾝的业务 场景进⾏推演.
2、深度学习的复杂性
3、论文推荐
四、在线学习和强化学习
1、究竟是什么才能提升一个模型?
2、实时化意味着什么
3、在线学习
4、强化学习
五、建模的技巧
在 CTR 预估中, 其实有很多现实的问题需要解决: ⊚ 新的⼴告怎么办? ⊚ 召回和精排的平衡怎么做? ⊚ metric 为 AUC ⼀定是最好的吗? ⊚ 点击率的平滑是什么? ⊚ 在计算⼴告体系中, 如何⼲预以做到真正平衡平台和⼴告主 的利益?
1、数学化表示
2、什么是人工智能
3、从其他行业到人工智能
二、逻辑回归
1、模型, 损失函数和最优化方法
2、总结：逻辑回归是最基础的模型, 包含了机器学习的⼏⼤基本要素, 很 多和深度学习都是很相似的. 它只对于离散变量⽐较适合, 并且 只能学习到 general 的信息, 对于其表达能⼒有了⽐较⼤的制约. 但是其简单, 有效, 计算速度快, 适合在线学习等特点, 使得其依 然是现在 CTR 预估的最重要模型之⼀。
三、深度模型
1、概述：在深度模型这⾥, 我们主要通过两条线来讲解: 他们都是通过 FM 模型出发, ⼀条是 FM 的深度模型复杂化, 另⼀条是 embedding + MLP ⾃⾝的演进特点结合 CTR 预估本⾝的业务 场景进⾏推演.
2、深度学习的复杂性
3、论文推荐
四、在线学习和强化学习
1、究竟是什么才能提升一个模型?
2、实时化意味着什么
3、在线学习
4、强化学习
五、建模的技巧
在 CTR 预估中, 其实有很多现实的问题需要解决: ⊚ 新的⼴告怎么办? ⊚ 召回和精排的平衡怎么做? ⊚ metric 为 AUC ⼀定是最好的吗? ⊚ 点击率的平滑是什么? ⊚ 在计算⼴告体系中, 如何⼲预以做到真正平衡平台和⼴告主 的利益?
