知识卡片

普通读书笔记卡 · 9820.g · 生成模型:DeepSeek-V4.1-Flash

CTR预估为何决定扣费

理解等级:高级

CTR 是广告被展现后被点击的概率,统计口径是点击次数除以展现量。把一次展现看成二项分布的一次试验,n 次展现里被点击的次数 X 服从 B(n,p),于是 CTR 的直接估计就是 p̂ = k/n(k 为点击数)。

问题在于这个频率不能直接用。数据稀疏(长尾广告展现个位数)、真实点击率本身很低(千分之几,方差大到估计不稳)、点击率还随位置、时段、竞争环境漂移,所以必须用模型预估——排序学习里的模型理论上都能拿来预估 CTR,差别在特征与结构。

CTR 的重要性来自两条公式。其一是排序:广告按 eCPM 排,eCPM = Bid × CTR × 1000,其中 Bid 是广告主出价(已知),CTR 未知。CTR 估高,低质广告会被排到前面,平台按点击收费却拿不到转化,长期伤害广告主预算与用户;CTR 估低,好广告拿不到曝光,收入直接流失。其二是扣费:在广义第二价格机制下,当前广告的 CPC 由上一条与当前广告的 CTR 共同决定(大致为下一位的 eCPM 除以自己的 CTR,再加最小加价),CTR 估偏会让扣费过高或过低,甚至出现广告主「点一次亏一次」的逆向选择。

所以 CTR 模型的误差不是离线指标上的小数,而是直接映射成收入和生态。评估 CTR 模型时要同时看排序指标(AUC、nDCG)与校准(预估均值是否等于实际点击率),后者对扣费尤其关键。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第12章 推荐应用实战:基于广告的推荐(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0159.html) - 结论依据:原文给出 CTR 的口径定义并强调其是广告、推荐、搜索的核心环节,随后又指出现实中因稀疏与漂移必须预估,构成「定义—必要性」的支撑。 - 原始内容:CTR是指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率,即该广告的实际点击次数除以广告的展现量。CTR预估是互联网主流应用(广告、推荐、搜索等)的核心环节