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

PNN加强特征交叉能力PNN 模型的提出同样是为了解决 CTR 预估和推荐系统的问题。对于上文中讲到的DeepCrossing模型，PNN模型在输人、Embedding层、多层 神经网络 以及最终的输出层部分并没有结构上的不同。唯一的区别在于 PNN 模型用乘积层 ProductLayer)代替了DeepCrossing模型中的Stacking层。也就 是说，不同特征的 Embedding 向量不

Deep Crossing简介Deep Crossing模型的应用场景是微软搜索引擎Bing中的搜索广告推荐场景。用户在搜索引擎中输人搜索词之后，搜索引擎除了会返回相关结果，还会返回与 搜索词相关的广告，这也是大多数搜索引擎的主要赢利模式。尽可能地增加搜索 广告的点击率，准确地预测广告点击率，并以此作为广告排序的指标之一 ，是非 常重要的工作，也是 Deep Crossing 模型的优化目标。核心

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