定向广告
graph LR;
A(定向广告)-.->B[上下文定向]
A-.->C[受众定向]
A-.->D[行为定向]
C -.-> E1[根据用户背景资料定向]
C -.-> E2[根据用户行为定向]
E2 -.-> 有监督的定向算法
E2 -.-> 无监督的定向算法
上下文定向
指根据页面的内容来投放相应的广告
这主要通过 内容提供商自定义，页面关键字提取，网页聚类 三种方式实现。
受众定向
根据用户背景资料定向
略
根据用户行为定向
通过用户的浏览行为来定向推送广告，这包括搜索的关键字，在特定类目内容上的点击，浏览行为等。
主要有两种预测用户行为的方式，一个是基于有监督算法的，另一个则是无监督的。
有监督的定向算法
有监督的定向算法指预定义有限个兴趣点，预测用户可能属于哪个兴趣点。
- 常用柏松回归模型进行预测计算用户在每一个兴趣点上的兴趣度
柏松分布：
\[\frac{\lambda^y*e^{-\lambda}}{y!}\]其中 \(\lambda\) 取其均值 \(\lambda = w^Tx\)，其中w为待优化参数，x为特征向量。
则，似然函数为：
\[L(y|x;w) = \prod^m_{i=1}P(y^i|x^i;w)=\prod^m_{i=1}\frac{(w^Tx^i)^{y^i}*e^{-w^Tx^i}}{y^i!}\]对数似然函数：
\[ln(L(y|x;w)) = \sum^m_{i=1}(y^i*ln(w^Tx^i)-(w^Tx^i)-ln(y^i!))\]则损失函数为：
\[J(w) = -\frac{1}{m}\sum^m_{i=1}(y^i*ln(w^Tx^i)-(w^Tx^i))\]梯度下降法，每次下降方向为：
\[\frac{\partial{J(w)}}{\partial{w}}\]- 也可通过用户的对该类型的预估CTR来判断用户对兴趣点的兴趣度
上述公式表示用户i对类别k的CTR预估，其中\(\alpha,\beta\)是拉普拉斯平滑因子，当\(\lambda^{view}_{ik}\)很小时，认为CTR预估是不可信的，此时默认\(CTR_{ik} = \frac{\alpha}{\beta}\)。
无监督的定向算法
无监督的定向算法指没有预定义标签，主要通过聚类的方式计算，首先需要将用户向量化表示，常用 基于item的向量表示法和基于query的向量表示法 方式。
- 基于item表示法
- 多用于电子商务方面的广告系统，根据用户的历史浏览、点击、购买和收藏等行为日志，将用户表示成item的向量。
- 基于query表示法(查询)
- 多见于搜索引擎的广告系统中，通常的做法是将用户的历史query进行分词，同义词归一化等操作后，将用户表示成词的向量。
非监督的主题模型的发展经历了 LSA -> PLSA -> LDA 的过程，下面简单介绍这三种模型。
分享一篇笔记：广告定向算法
行为定向
根据用户的历史行为进行推荐，在不同场景下有不同的行为依据
- 电商平台
- 用户对商品的浏览行为、收藏行为、搜索行为、加入购物车、购买行为等等
- 搜索平台
- 用户对某些关键字的主动搜索，主动点击，以及用户对广告的点击等等 并不是所有点击都有意义，需筛选 —–筛选依据？
- 社交平台
- 用户的行为主要包括，互粉，转发，点赞，评论等等
emmmm,但是这一小节和上一节受众定向的用户行为有嘛区别？（挠头
