原文：hhttp://www.flickering.cn/ads/2014/06/%E8%BD%AC%E5%8C%96%E7%8E%87%E9%A2%84%E4%BC%B0%E2%80%94%E2%80%94%E5%BC%95%E8%A8%80/
最近几年，“计算广告学”的概念风生水起，让我们这些从事在线广告匹配技术的程序猿着实荣耀了一把。这在参加校园招聘时最有所体会，前几年学生经常问面试官的问题是“你们做网页搜索吗？”，这些年学生更经常问“你们做广告吗，你们做大数据挖掘吗？”。每当这个时候，我的心中就会油然而生满满的幸福感，还要装着没什么的样子回答“当然了”。
不过，这里我们不会聊“计算广告学”，因为这个概念已经被很多前辈讲的系统且详尽，如最早提出“Computational Advertising”的Andrei Broder和前Yahoo！高级科学家刘鹏。这里我们只会聊“计算广告学”中的一个子集——转化率预估（Conversion Modeling），我们选择它不是因为它简单而是因为它很难，这样才会聊的津津有味。
要理解转化率预估，先得理解互联网广告的商业模式，业内常见的商业模式有四种（图1）：1） CPM，按展现付费；2）CPC，按点击付费；3）CPA，按转化付费；4）CPS，按销售分成。容易理解，广告主最欢迎CPA模式，因为这种模式的广告投放效率最高，广告主不必为无效的展现和点击买单。然而，业内做CPA的广告网络（Ad Network）并不多，主要原因是转化数据难以收集，腾讯的广告系统广点通有天然的优势：植根于电商平台和开放平台，我们可以获取到电商类广告和应用类广告的转化数据。以数据为基础，再结合大规模机器学习算法，我们就可以实现广告转化率的实时预估——这对于CPA模式的广告匹配是很重要的，因为它是广告排序和计费的基础。如图2所示，广告平台会按期望收益对广告进行排序，而广告的期望收益等于广告主出价（Bid）和广告预估转化率（pConversion，广告展现时发生转化行为的概率）的乘积：
图1
图2
也许读者要说了，计算pConversion很容易啊——统计每个广告的展现次数Impressions和转化次数Conversions，并令pConversion=ConversionsImpressions不就可以了？这种方法是把pConversion当做服从二项分布的变量，通过ConversionsImpressions计算pConversion的点估计。乍一看这种方法没什么问题，但仔细想想问题还真不少：
1） 不是每个广告都有展现的，比如对于新广告Impressions = 0；
2） 即便广告有展现，但当Impressions和Conversions不充分时，点估计就会有问题，比如Conversions = 1，Impressions = 1，我们显然不能轻易得到结论pConversion = 1。这就好比我们通过抽样去得到计算产品的废品率，不能因为只抽取了一个产品是废品，我们就说这批次产品的废品率是100%。从统计学上去理解，虽然ConversionsImpressions是pConversion的无偏估计，但当Impressions和Conversions不充分时，点估计的置信区间会很大，此时用ConversionsImpressions作为pConversion的估计值就有问题；
3） 引入一些平滑（Smoothing）技术能否解决2）中的问题呢？答案是肯定的，不过要知道，影响广告转化的因素很多，只考虑广告的展现和转化次数，而忽略其他特征的做法会影响预估的准确率。比如一个卖女装的广告，展现给男性和女性时的转化率是不同的，不能一概用ConversionsImpressions去做估计。
此时，就要祭出我们的法宝——大规模机器学习技术了。接下来的几章，我们会介绍：
第二章 逻辑回归技术
第三章 并行逻辑回归技术
第四章 特征选择
第五章 在线学习技术
第六章 深度学习