本系列开始，咱们开始进入一个新的领域方向，也是平台变现的一个重要组成部分，广告反光。首先我们要了解需要广告的收入模式是怎样的？Revenue=PV×CPMCPM=CTR×ACPRevenue=PV \times CPM \\CPM=CTR \times ACPRevenue=PV×CPMCPM=CTR×ACP其中Revenue表示利润，PV表示访问量， CPM是千次展现的收费 。 CPM是通过CT

DISN有用户历史行为虽然好，但是也需要节制。把用户的行为序列先分片(session) 能过滤掉一些噪声序列。DSIN 针对 DIN 和 DIEN 没有考虑用户历史行为中的 Session 信息，因为每个 Session 中的行为是相近的，而在不同 Session 之间的差别很大，它在 Session 层面上对用户的行为序列进行建模；MIMNMIMN算是本系列中，用户长期行为序列建模的开端，既然是

FFM 模型采用引入特征域的方式增强了模型的特征交叉能力，但无论如何， FFM 只能做二阶的特征交叉，如果继续提高特征交叉的维度，会不可避免地产生 组合爆炸和计算复杂度过高的问题。那么就引入今天要说的新的模型趋势LR+GBDTLR+GBDT模型的结构如图1所示。用 GBDT 构建特征工程，利用 LR 预估 CTR 这两步是独立 训练的，所以不存在如何将 LR 的梯度回传到 GBDT 这类复杂的问题

今天要讲的这个网络同样是出自阿里巴巴，这个模型能够被提出来的核心点是阿里巴巴想通过模型模拟了用户兴趣的进化过程。玄乎一点就是想你和用户兴趣转移过程，这一点被提出来还是十分吸引人的。那么接下来咱们就看看DIEN的“进化”动机。DIEN模型上文提到了，如果想要刻画出用户兴趣转移应该从哪方面入手呢？ 刻画一个事务的变化过程一定是通过一个序列进行表达是最合适的，所以大方向确定了，接下来咱们看看是如何使用的

今天要说的DIN模型是产自阿里巴巴推荐团队，它的应用场景是阿里巴巴的电商广告推荐。无论是用户还是广告，都含有两个非常重要的特征--商品id(good_id)和商铺id(shop_id)。用户特征里的商品id是一个序列， 代表用户曾经点击过的商品集合，商铺id 同理;而广告特征里的商品 id 和商铺 id 就是广告对应的商品 id 和商铺 id。基于base模型的一些缺点，例如用户特征组中的商品序列

本章咱们来说说计算广告这一领域，其实从本质上讲呢，计算广告并不属于推荐搜索的领域，是可以单独拉出来当一个领域来研究，但是本身计算广告是更多的是通过推荐、搜索、点击等记录挖掘出来，索性咱们先放到一起了解一下。计算广告是做什么的呢？ 提到广告其实就在一个合适的时间、合适的地点给合适的人推荐某些产品。如果用户下单，平台将获得一定的报酬，之前百度通过广告点击赚取了大量的收益，目前也是财报中最大的一部分收益