背景

在推荐、搜索、广告等领域，CTR（click-through rate）预估是一项非常核心的技术，这里引用阿里妈妈资深算法专家朱小强大佬的一句话：“它（CTR预估）是镶嵌在互联网技术上的明珠”。

本篇文章主要是对CTR预估中的常见模型进行梳理与总结，并分成模块进行概述。每个模型都会从「模型结构」、「优势」、「不足」三个方面进行探讨，在最后对所有模型之间的关系进行比较与总结。本篇文章讨论的模型如下图所示（原创图），这个图中展示了本篇文章所要讲述的算法以及之间的关系，在文章的最后总结会对这张图进行详细地说明。

ctr预估 python CTR预估的流程_Network

ctr预估 python CTR预估的流程_Network_02

目录

本篇文章将会按照整个CTR预估模型的演进过程进行组织，共分为7个大部分：

  • 分布式线性模型
  • Logistic Regression
  • 自动化特征工程
  • GBDT+LR
  • FM模型以及变体
  • FM（Factorization Machines）
  • FFM（Field-aware Factorization Machines）
  • AFM（Attentional Factorization Machines）
  • Embedding+MLP结构下的浅层改造
  • FNN（Factorization Machine supported Neural Network）
  • PNN（Product-based Neural Network）
  • NFM（Neural Factorization Machines）
  • ONN（Operation-aware Neural Networks）
  • 双路并行的模型组合
  • wide&deep（Wide and Deep）
  • deepFM（Deep Factorization Machines）
  • 复杂的显式特征交叉网络
  • DCN（Deep and Cross Network）
  • xDeepFM（Compressed Interaction Network）
  • AutoInt（Automatic Feature Interaction Learning）
  • CTR预估模型总结与比较
  • CTR预估模型关系图谱
  • CTR预估模型特性对比