首页 > 代码库 > 【项目】搜索广告CTR预估(二)

【项目】搜索广告CTR预估(二)

项目介绍

技术分享
给定查询和用户信息后预测广告点击率



      搜索广告是近年来互联网的主流营收来源之一。在搜索广告背后,一个关键技术就是点击率预测-----pCTR(predict the click-through rate),由于搜索广告背后的经济模型(economic model )需要pCTR的值来对广告排名及对点击定价。本次作业提供的训练实例源于腾讯搜索引擎的会话日志(sessions logs), soso.com,要求学员们精准预测测试实例中的广告点击率。 


训练数据文件TRAINING DATA FILE


      训练数据文件是一个文本文件,里面的每一行都是一个训练实例(源于搜索会话日志消息)。 为了理解训练数据,下面先来看看搜索会话的描述。搜索会话是用户和搜索引擎间的交互,它由这几部分构成: 用户,用户发起的查询,一些搜索引擎返回并展示给用户的广告,用户点击过的0条或多条广告。为了更清楚地理解搜索会话,这里先介绍下术语:在一个会话中展示的广告数量被称为深度(depth), 广告在展示列表中的序号称为广告的位置(position)。广告在展示时,会展示为一条短的文本,称之为标题(title),标题后跟着一条略长些的文本和一个URL,分别叫做描述(description)和展示链接(display URL)。

       我们将每个会话划分为多个实例。每个实例描述在一种特定设置(比如:具有一定深度及位置值)下展示的一条广告。为了减少数据集的大小,我们利用一致的user id, ad id, query来整理实例。因此,每个实例至少包含如下信息:

UserID
AdID
Query
Depth
Position
Impression
      搜索会话的数量,在搜索会话中广告(AdID)展示给了发起查询(query)的用户(UserID)。
Click
      在上述展示中,用户(UserID)点击广告(AdID)的次数。

此外, 训练数据,验证数据及测试数据包含了更多的信息。原因是每条广告及每个用户拥有一些额外的属性。我们将一部分额外的属性包含进了训练实例,验证实例及测试实例中,并将其他属性放到了单独的数据文件中, 这些数据文件可以利用实例中的ids来编排索引。如果想对这类数据文件了解更多,请参考ADDITIONAL DATA FILES部分。

最后,在包括了额外特征之后,每个训练实例是一行数据(如下),这行数据中的字段由TAB字符分割:

1. Click: 前文已描述。
2. DisplayURL:广告的一个属性。
     该URL与广告的title(标题)及description(描述)一起展示,通常是广告落地页的短链(shortened url)。 在数据文件中存放了该URL的hash值。
3. AdID: 前文已描述。
4. AdvertiserID : 广告的属性。
      一些广告商会持续优化其广告,因此相比其他的广告商,他们的广告标题和描述会更具魅力。
5. Depth:会话的属性,前文已描述。
6. Position: 会话中广告的属性,前文已描述。
7. QueryID: 查询的id。
      该id是从0开始的整数。它是数据文件‘queryid_tokensid.txt‘的key。
8.KeywordID : 广告的属性。
      这是 ‘purchasedkeyword_tokensid.txt‘的key。
9.TitleID: 广告的属性。
      这是 ‘titleid_tokensid.txt‘的key。
10.DescriptionID:广告的属性。
      这是‘descriptionid_tokensid.txt‘的key。
11. UserID
      这是 ‘userid_profile.txt‘的key。当我们无法确定一个用户时,UserID为0。



附加的数据文件ADDITIONAL DATA FILES



这里还有前面提到过的5个附加的数据文件:

1. queryid_tokensid.txt

2. purchasedkeywordid_tokensid.txt

3. titleid_tokensid.txt

4. descriptionid_tokensid.txt

5. userid_profile.txt

      前4个文件每一行将id映射为一个记号列表,在query(查询), keyword(关键字), ad title(广告标题)及ad description(广告描述)中都是如此。 在每一行中,TAB字符将id及其他记号集分隔开。一个记号最基本可以是自然语言中的一个词。为了匿名,每个记号以hash后的值来表示。 字段以 ‘|’分割。

‘userid_profile.txt’ 文件的每一行由UserID, Gender, 和 Age组成,用TAB字符来分隔。注意,并非训练集和测试集中的每个UserID都会出现在‘userid_profile.txt’文件中。每个字段描述如下:
1. Gender:
‘1‘ for male(男), ‘2‘ for female(女), and ‘0‘ for unknown(未知).
2. Age:
‘1‘ for (0, 12], ‘2‘ for (12, 18], ‘3‘ for (18, 24], ‘4‘ for (24, 30], ‘5‘
for (30, 40], and ‘6‘ for greater than 40(6代表大于40).

TESTING DATASET(测试数据集)

       除了广告展示及广告点击的数量不同外,测试数据集与训练数据集的格式一致。 广告展示及广告点击次数用于计算先验的点击率(empirical CTR)。 训练集的子集用于在leaderboard上对提交或更新的结果进行排名。测试集用于选举最终冠军。用于生成训练集的日志与之前生成训练集的日志相同。
View Code

 

【项目】搜索广告CTR预估(二)