不是一篇高质量文章，不过是一篇还算不错的综述，而且时间够新（2013）。

具体内容：按照文章原本内容顺序罗列

0. 介绍

* 赞助商广告：投放到搜索结果页面

* 情境广告：在网页某个位置上投放，一般由广告联盟介入

1. 广告点击率预测的应用背景

* 广告点击率一般比较低，能达到0.2%就已经是很好的投放了

* 大量的广告、查询都是很稀疏的

* 利用用户点击行为的，除了点击率预测，还有两个领域：搜索结果排序和推荐系统

* "Inferring Clickthrough Rates on Ads from Click Behavior on Search Results 2011" 这篇文章阐述了广告点击行为和搜索点击行为的相关性，进一步，用搜索结果的点击数据来近似推断每个查询相应的理想的广告数量

2. 点击率估算方法

2.1 基于位置模型的点击率估算方法

即包含位置信息的点击率建模，svm, LR

2.2 基于检验假设的点击率估算方法

假设用户先examine广告，然后决定是否点击

用户浏览模型：UBM

动态贝叶斯网络模型：DBN

点击链模型：CCM

在线贝叶斯概率回归模型：OBPR

3 新广告和稀疏广告的点击率预测方法

3.1 利用已知广告点击率

不是构造新模型来处理数据稀疏问题，而是加入新特征，尤其是一些“泛化”的特征，如：term ctr、related term ctr等

3.2 从模型上下手处理了

* 基于层次结构的预测模型，引入了广告的概念层次模型，提出多层次结构的线性回归模型（LMMH）

* 基于时间空间模型

4. 广告点击率的优化方法

上文都是介绍各种模型，这部分该介绍各种不同的思想、或者成为策略

* 引入个性化信息——针对用户个人喜好投放的广告点击率预期会比面向所有用户投放的广告要高，基于协同过滤的个性化点击率预测模型

* 结合用户搜索意图，通过贝叶斯方法对用户意图假设进行建模

* 利用广告之间的相似性，其假设是：同一页面上广告的同质化越严重（相似性越强），则点击率越低

5. 评估方法

* log likelihood score

* KL距离

* MSE

* DNCG

* ROC图

6. 总结

逻辑回归和贝叶斯模型应用最为广泛