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
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。
【项目】搜索广告CTR预估(二)
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。