标签：ad 竞争 特征 队列 tencent 广告 曝光 曝光率 compeition

复赛

与竞争量有关
计算每个旧广告在每天每个广告位的曝光量和竞争量，曝光量除以竞争量=曝光率，得到每天的曝光率。
旧广告规则：100-22号的广告语23号的广告有重叠，24号旧广告的exp=0.75exp23+0.25*exp10-22
旧广告建模：特征：10号到22号的竞争量曝光率，将18号作为validdata，用18号之前的数据对18号曝光量进行预测
再将旧广告的规则与旧广告建模的结果进行融合

新广告建模：新广告的aid和创建时间是无用特征，可以用的是各种type,size,loc

可以对y进行log(1+y)平滑处理之后进行预测

可以通过周一–周五 还是周末来构造特征

广告自身设定特征
广告的静态属性
出价信息特征
时间相关特征：样本日期与广告创建日期的间隔
竞争队列的特征
样本在当天参与竞争的请求数目
广告当天参与竞价的请求数目与某些用户特征的关系

构造其他特征
log(pctr) log(ecpm)
广告当天在竞价队列中的相对排名信息
广告 在当天的ecpm与最大的ecpm比值信息

竞争队列信息：
请求次数，过滤次数，曝光次数，ecpm在竞争队列的rank
针对上述特征，进行当日统计，历史统计，花窗统计

构造验证集时，尽量使验证集的分布与训练集大致相同

规则：历史胜出率*当天请求次数
时间越近的胜出率越可信

基础特征的类别特征的使用：
按照每个类别特征和日期进行组合，对日曝光量进行均值编码
类别特征之间进行两三组合，再与日期进行组合，对日曝光量进行均值编码

滑窗特征：
历史曝光数
历史未曝光数
队列长度
广告主 曝光率
曝光率
当日队列长度
历史曝光率

时序特征：
分别统计当滑窗大小为3,7，14时 广告曝光量的均值 中位数 最大最小值 标准差 日曝光
前k天广告的bid_amx,bid_min,bin_std，
每一天广告队列的长度的均值

每个用户的特征向量的均值作为人群定向

如果要用NN，要把数值特征压缩到【0,1】
删除皮尔逊相关性特别大的特征

对于旧广告：
广告id在日志中每日曝光的中位数，众数，平均数作为特征
广告id在预测日的前一天的统计曝光量作为特征
胜出比例*广告请求次数
对于新广告：
根据特征预测

标签：ad,竞争,特征,队列,tencent,广告,曝光,曝光率,compeition
来源： https://blog.csdn.net/Lzj000lzj/article/details/96432045

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。