DSP模型中FM FFM模型

機器學習方法應用在DSP廣告投放中，預估CTR/CVR，業界常用的方法是人工特征工程+LR,GBDT,近期FM,FFM模型在其中使用效果非常顯著。

先解釋一波DSP相關專業術語：

DSP:Demand-Side platform，需求方平台，在網際網路廣告産業中，DSP是一個系統，也是一種線上廣告平台，服務于廣告主，幫助廣告主在網際網路上進行廣告投放。兩個核心特征：強大的RTB(Real-Time Bidding)的基礎設施和能力，強大的使用者定位(Audience Targeting)技術。

CPC:Cost Per Click按點選計費

CPA:Cost per Action按成果數計費

CTR: Click Through Rate 點選率

CVR: Click Value Rate 轉化率，衡量CPA廣告效果的名額。

了解DSP中的基礎算法和模型，可以參考M6D公司的文章，以及一份中文解釋：http://www.techinads.com/archives/41

FM:Factorization Machine 因子分解機，又稱分解機器，旨在解決大規模稀疏資料下的特征組合問題。

FFM:Field-aware Factorization Machine,場感覺分解機器，把相同性質的特征歸于同一個field

稀疏問題引出：

在機器學習中，尤其是計算廣告領域，特征并不總是數值型，很多時候是分類值，對于categorical feature，通常會采用one-hot encoding轉換成數值型特征，轉化過程會産生大量稀疏資料。

one-hot encoding:獨熱編碼或者叫一位有效編碼，使用N位狀态寄存器來對N個狀态進行編碼，每個狀态都有它獨立的寄存器，并且在任意時刻，隻有一位有效。可以這麼了解：對于每一個特征，如果它有m個可能取值，那麼經過one-hot encoding之後，就變成了m個二進制特征，并且，這些特征互斥，每次隻有一個激活，是以，資料會變得稀疏。

好處：1.解決了分類器不好處理屬性資料的問題。2.在一定程度上起到了擴充特征的作用。

推薦兩篇文章：

美團背景：

http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html

新浪背景：

http://www.360doc.com/content/16/0608/07/1317564_565957182.shtml

具體的原理和代碼後期補充。