背景
伴随着我们浏览器及其矩阵产品用户规模的扩大，单纯的广告接入，然后随机的展示方式无法充分利用我们的广告位，无法达到收益最大化。随着调研的深入，点击率预估模型便提上了日程。
经过前期一个月数据的收集准备，目前的数据量已经能够满足模型的开展了。接下来便会总结一些列关于CTR模型相关的知识，当然这里只对相应算法铺开，限于商业数据的保密性，不对具体数据和实施细节做展开。
整体系统结构
我们的模型周级更新，大概结构如下：
系统整体结构图如上，分为offline线下部分和online线上部分。线下部分，取前一周的PV和click日志作为增量训练数据，更新迭代模型；线上部分，利用训练好的模型，接受用户请求，检索广告库（我们的广告库来自于Applovin，Yeahmobi，Mobvista等广告商，天级更新存放在数据库里），组合特征，过CTR，最终取cpm最高的广告进行展示。
LR应用于CTR预估
LR算法之why
为什么LR算法能够用于CTR预估呢？个人认为主要是一下原因导致的：
把被点击的样本当成正例，把未点击的样本当成负例，那么样本的ctr实际上就是样本为正例的概率，LR可以输出样本为正例的概率，所以可以用来解决这类问题，另外LR相比于其他模型有求解简单、可解释强的优点，这也是工业界所看重的。
关于LR算法
pCtr由如下计算方式获取：
上式中，X(j)为第j维特征，pCtr是个概率值。
损失函数采用log最大似然函数，定义如下：
优化目标如下：
优化算法采用SGD，权重更新方式如下：