计算广告——平滑CTR

一、广告计算的基本概念

1、广告的形式

在互联网发展的过程中，广告成为了互联网企业盈利的一个很重要的部分，根据不同的广告形式，互联网广告可以分为：

• 展示广告(display ads)
• 赞助商搜索广告(sponsored search)
• 上下文广告(contextual advertising)

2、竞价模型

对于在线广告，主要有如下的几种竞价模型：

• 按展示付费(pay-per-impression)：直观来讲，按展示付费是指广告商按照广告被展示的次数付费，这是一种最普遍的竞价模型；
• 按行为付费(pay-per-action)：按行为付费是指只有在广告产生了销售或者类似的一些转化时，广告商才付费；

当然，对于以上的两种竞价模型各有其局限性：在按展示付费模型中，压根没有考虑到广告的效果，只是按照广告流量进行售卖的模式；对于按行为付费模型，虽然其考虑到了广告效果，但其的条件是产生了某种转化，这种转化有时很难追踪和记录。此时，为了解决这两种模型的局限性，通常可以按照一个用户是否会点击广告作为最终的度量标准，即按点击付费模型(pay-per-click)。

• 按点击付费(pay-per-click)：根据用户是否会点击广告来付费。

这里便出现了一个重要的概念，便是广告点击率(the click-through rate, CTR)。

3、广告点击率(CTR)

广告点击率CTR是度量一个用户对于一个广告的行为的最好的度量方法，广告点击率可以定义为：对于一个广告的被点击(click)的次数于被展示(impression)的次数的比值。

CTR=#click#impression

CTR=\frac{\#\; click}{\#\; impression}

广告点击率对于在线广告有着重要的作用，在网络中，对于有限的流量，通常要选择出最优质的广告进行投放，此时，CTR可以作为选择广告和确定广告顺序的一个重要的标准。

但是在计算CTR时，由于数据的稀疏性，利用上述的计算方法得到的CTR通常具有较大的偏差，这样的偏差主要表现在如下的两种情况：

• 1、例如展示impression的次数很小，如11次，其中，点击的次数也很小(这里的很小是指数值很小)，如11，按照上述的CTR的计算方法，其CTR为11，此时的点击率就被我们估计高了；
• 2、例如展示的次数很大，但是点击的次数很小，此时，利用上述的方法求得的CTR就会比实际的CTR要小得多。

出现上述两种现象的主要原因是我们对分子impression和分母click的估计不准确引起的，部分原因可能是曝光不足等等，对于这样的问题，我们可以通过相关的一些广告的展示和点击数据对CTR的公式进行平滑处理。

二、CTR的平滑方法

1、数据的层次结构——贝叶斯平滑

假设有NN个相同的账号(a1,a2,⋯,aN)\left ( a_1,a_2,\cdots , a_N \right )，对于网页pp，对于这样的网页和账号组(p,ai)\left ( p,a_i \right )。假设(C1,C2,⋯,CN)\left ( C_1,C_2,\cdots , C_N\right )为观测到点击数据，(r1,r2,⋯,rN)\left ( r_1,r_2,\cdots , r_N\right )为隐含的CTR的值，为点击率，点击率在此是一个隐含的参数，广告是否被点击满足二项分布，即Binomial(Ii,ri)Binomial\left ( I_i,r_i \right )，其中，IiI_i表示广告被展示的次数。

贝叶斯思想认为，隐含的参数不是一个具体的值，而是满足某个分布，我们知道贝叶斯参数估计的基本过程为：

先验分布+数据的知识=后验分布

已知二项分布的共轭分布为Beta分布，对此，有以下的两点假设：

• 1、对于一个广告，其点击CiC_i符合二项分布Binomial(Ii,ri)Binomial\left ( I_i,r_i \right )，其中，IiI_i表示的是展示的次数，rir_i表示的是广告被点击的概率；
• 2、对于所有的广告，有其自身的CTR，其CTR满足参数是α\alpha 和β\beta 的贝塔分布Beta(α,β)Beta\left ( \alpha , \beta \right )。

假设有NN个广告，广告被展示的次数为(I1,I2,⋯,IN)\left ( I_1,I_2,\cdots , I_N \right )，广告被点击的次数为(C1,C2,⋯,CN)\left ( C_1,C_2,\cdots , C_N \right )，上述的两个假设可以表示为如下的形式：

这里写图片描述

其对应的概率图模型为：

这里写图片描述

点击率rir_i不仅与(Ii,Ci)\left ( I_i,C_i \right )相关，而且与参数α\alpha 和参数β\beta 相关，我们可以通过计算得到参数α\alpha 和参数β\beta 的估计α^\hat{\alpha }和β^\hat{\beta }，一旦α^\hat{\alpha }和β^\hat{\beta }被确定后，则rir_i的估计为：

ri=Ci+α^Ii+α^+β^

r_i=\frac{C_i+\hat{\alpha }}{I_i+\hat{\alpha }+\hat{\beta }}

所以，现在，我们需要求解参数α\alpha 和参数β\beta 的估计α^\hat{\alpha }和β^\hat{\beta }。

点击CC的似然函数为：P(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)\mathbb{P}\left ( C_1,C_2,\cdots ,C_N\mid I_1,I_2,\cdots ,I_N,\alpha ,\beta \right )，由于点击的次数以及展示的次数之间都是相互独立的，因此上式可以表示为：

P(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∏i=1NP(Ci∣Ii,α,β)=∏i=1N∫riP(Ci,ri∣Ii,α,β)dri=∏i=1N∫riP(Ci,∣ri,Ii)P(ri∣α,β)dri

\begin{matrix} \mathbb{P}\left ( C_1,C_2,\cdots ,C_N\mid I_1,I_2,\cdots ,I_N,\alpha ,\beta \right )\\ =\prod_{i=1}^{N}\mathbb{P}\left ( C_i\mid I_i,\alpha ,\beta \right )\\ =\prod_{i=1}^{N}\int_{r_i} \mathbb{P}\left ( C_i,r_i\mid I_i,\alpha ,\beta \right )dr_i\\ =\prod_{i=1}^{N}\int_{r_i} \mathbb{P}\left ( C_i,\mid r_i,I_i \right ) \mathbb{P}\left ( r_i\mid \alpha ,\beta \right )dr_i \end{matrix}

已知

P(Ci,∣ri,Ii)=rCii(1−ri)Ii−Ci

\mathbb{P}\left ( C_i,\mid r_i,I_i \right )=r_i^{C_i}\left ( 1-r_i \right )^{I_i-C_i}

P(ri∣α,β)=Γ(α+β)Γ(α)Γ(β)rα−1i(1−ri)β−1

\mathbb{P}\left ( r_i\mid \alpha ,\beta \right )=\frac{\Gamma \left ( \alpha + \beta \right )}{\Gamma \left ( \alpha \right )\Gamma \left ( \beta \right )}r_i^{\alpha -1}\left ( 1-r_i \right )^{\beta -1}

则上式可以写成：

=∏i=1N∫riP(Ci,∣ri,Ii)P(ri∣α,β)dri=∏i=1N∫rirCii(1−ri)Ii−CiΓ(α+β)Γ(α)+Γ(β)rα−1i(1−ri)β−1dri=∏i=1N∫riΓ(α+β)Γ(α)Γ(β)rCi+α−1i(1−ri)Ii−CI+β−1dri=∏i=1NΓ(α+β)Γ(Ii+α+β)Γ(Ci+α)Γ(α)Γ(Ii−Ci+β)Γ(β)

\begin{matrix} =\prod_{i=1}^{N}\int_{r_i} \mathbb{P}\left ( C_i,\mid r_i,I_i \right ) \mathbb{P}\left ( r_i\mid \alpha ,\beta \right )dr_i\\ =\prod_{i=1}^{N}\int_{r_i} r_i^{C_i}\left ( 1-r_i \right )^{I_i-C_i}\frac{\Gamma \left ( \alpha + \beta \right )}{\Gamma \left ( \alpha \right )+\Gamma \left ( \beta \right )}r_i^{\alpha -1}\left ( 1-r_i \right )^{\beta -1}dr_i\\ =\prod_{i=1}^{N}\int_{r_i}\frac{\Gamma \left ( \alpha + \beta \right )}{\Gamma \left ( \alpha \right )\Gamma \left ( \beta \right )}r_i^{C_i+\alpha-1}\left ( 1-r_i \right )^{I_i-C_I+\beta-1}dr_i\\ =\prod_{i=1}^{N}\frac{\Gamma \left ( \alpha + \beta \right )}{\Gamma \left (I_i+ \alpha + \beta \right )}\frac{\Gamma \left ( C_i+\alpha \right )}{\Gamma \left ( \alpha \right )}\frac{\Gamma \left ( I_i-C_i+\beta \right )}{\Gamma \left ( \beta \right )} \end{matrix}

此时，我们需要求得该似然函数的最大值，首先，我们对上述的似然函数取对数，即为：

logP(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)=∑i=1NlnΓ(α+β)−lnΓ(Ii+α+β)+lnΓ(Ci+α)−lnΓ(α)+lnΓ(Ii−Ci+β)−lnΓ(β)

\begin{matrix} log\; \mathbb{P}\left ( C_1,C_2,\cdots ,C_N\mid I_1,I_2,\cdots ,I_N,\alpha ,\beta \right )\\ =\sum_{i=1}^{N}ln\;\Gamma \left ( \alpha + \beta \right )-ln\; \Gamma \left (I_i+ \alpha + \beta \right )+ln\; \Gamma \left ( C_i+\alpha \right )-ln\; \Gamma \left ( \alpha \right )+ln\; \Gamma \left ( I_i-C_i+\beta \right )-ln\; \Gamma \left ( \beta \right ) \end{matrix}

将上述的log似然函数分别对α\alpha 和β\beta 求导数，即为：

dlogP(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dα=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ci+α)−Ψ(α)

\begin{matrix} \frac{d\; log\; \mathbb{P}\left ( C_1,C_2,\cdots ,C_N\mid I_1,I_2,\cdots ,I_N,\alpha ,\beta \right )}{d\; \alpha}\\ =\sum_{i=1}^{N}\Psi \left ( \alpha + \beta \right )-\Psi \left (I_i+ \alpha + \beta \right )+\Psi \left ( C_i+\alpha \right )-\Psi \left ( \alpha \right ) \end{matrix}

dlogP(C1,C2,⋯,CN∣I1,I2,⋯,IN,α,β)dβ=∑i=1NΨ(α+β)−Ψ(Ii+α+β)+Ψ(Ii−Ci+β)−Ψ(β)

\begin{matrix} \frac{d\; log\; \mathbb{P}\left ( C_1,C_2,\cdots ,C_N\mid I_1,I_2,\cdots ,I_N,\alpha ,\beta \right )}{d\; \beta}\\ =\sum_{i=1}^{N}\Psi \left ( \alpha + \beta \right )-\Psi \left (I_i+ \alpha + \beta \right )+\Psi \left ( I_i-C_i+\beta \right )-\Psi \left ( \beta \right ) \end{matrix}

其中，Ψ(x)=ddxlnΓ(x)\Psi \left ( x\right )=\frac{d}{d\; x}ln\; \Gamma \left ( x \right )。通过the fixed-point iteration方法，可以得到如下的结果：

αnew=α∑Ni=1[Ψ(Ci+α)−Ψ(α)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]

\alpha ^{new}=\alpha\frac{\sum_{i=1}^{N}\left [ \Psi \left ( C_i+\alpha \right )-\Psi \left ( \alpha \right ) \right ]}{\sum_{i=1}^{N}\left [ \Psi \left ( I_i+\alpha +\beta \right )-\Psi \left ( \alpha +\beta \right ) \right ]}

βnew=β∑Ni=1[Ψ(Ii−Ci+β)−Ψ(β)]∑Ni=1[Ψ(Ii+α+β)−Ψ(α+β)]

\beta ^{new}=\beta \frac{\sum_{i=1}^{N}\left [ \Psi \left ( I_i-C_i+\beta \right )-\Psi \left ( \beta \right ) \right ]}{\sum_{i=1}^{N}\left [ \Psi \left ( I_i+\alpha +\beta \right )-\Psi \left ( \alpha +\beta \right ) \right ]}

上述的求解过程是一个迭代的过程，一旦求出了参数α\alpha 和参数β\beta 的估计α^\hat{\alpha }和β^\hat{\beta }，便可以求出点击率的估计：

ri=Ci+α^Ii+α^+β^

r_i=\frac{C_i+\hat{\alpha }}{I_i+\hat{\alpha }+\hat{\beta }}

2、数据在时间上的一致性——指数平滑

相比上述的贝叶斯平滑，指数平滑相对要简单点，对于CTR中的点击，这是个与时间相关的量，假设对于一个广告，有MM天的点击和展示数据(I1,I2,⋯,IM)\left ( I_1,I_2,\cdots ,I_M \right )，(C1,C2,⋯,CM)\left ( C_1,C_2,\cdots ,C_M \right )。若要估计第MM天的CTR的值，我们需要对分别对II和CC进行平滑，得到平滑后的I^\hat{I}和C^\hat{C}。其计算方法如下：

{C^j=CjC^j=γCj+(1−γ)C^j−1 if j=1 if j=2,⋯,M

\begin{cases} \hat{C}_j=C_j & \text{ if } j=1 \\ \hat{C}_j=\gamma C_j+\left ( 1-\gamma \right ) \hat{C}_{j-1}& \text{ if } j=2,\cdots , M \end{cases}

{I^j=IjI^j=γIj+(1−γ)I^j−1 if j=1 if j=2,⋯,M

\begin{cases} \hat{I}_j=I_j & \text{ if } j=1 \\ \hat{I}_j=\gamma I_j+\left ( 1-\gamma \right ) \hat{I}_{j-1}& \text{ if } j=2,\cdots , M \end{cases}

其中，γ\gamma 称为平滑因子，且0<γ<10< \gamma <1。对于上述的公式，若要计算第MM天的平滑点击，可以得到下面的公式：

C^M=γCM+(1−γ)C^M−1=γCM+(1−γ)(γCM−1+(1−γ)C^M−2)=γCM+γ(1−γ)CM−1+⋯+γ(1−γ)jCM−j+⋯+γ(1−γ)M−1C1

\begin{matrix} \hat{C}_M=\gamma C_M+\left ( 1-\gamma \right )\hat{C}_{M-1}\\ =\gamma C_M+\left ( 1-\gamma \right )\left ( \gamma C_{M-1}+\left ( 1-\gamma \right ) \hat{C}_{M-2}\right )\\ =\gamma C_M+\gamma \left ( 1-\gamma \right )C_{M-1}+\cdots +\gamma \left ( 1-\gamma \right )^jC_{M-j}+\cdots +\gamma \left ( 1-\gamma \right )^{M-1}C_1 \end{matrix}

参考文献

• Click-Through Rate Estimation for Rare Events in Online Advertising.Xuerui Wang, Wei Li, Ying Cui, Ruofei (Bruce) Zhang, Jianchang Mao Yahoo! Labs, Silicon Valley United States