AI 前线导读：给定用户（User），给定一个商品（Product），给定了一定的环境，来看用户会不会买这个商品，买商品的概率有多高；或者说给用户推荐一个电影，用户会不会看这个电影，看的概率有多高。
我想，这个任务理解起来很容易，但是知易行难，怎么实现才是最关键的。
更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
最近开始接触 CTR 预估，在极客时间上订阅了一个视频课程，《深度学习应用实践 60 讲》，第一部分就是深度学习在 CTR 预估任务中的应用。讲师是张俊林，新浪微博 AI Lab 资深算法专家，曾在阿里巴巴、百度、用友任职资深技术专家和技术总监。这个课程是线下课程的录播视频，可以看到老师讲课的实际场景。张老师讲课思路清晰，循循善诱，听起来很容易懂，我自己非常受益，把前面的一节整理出来，如果你也正在研究 CTR 预估，希望对你有用。
查看视频：
张老师解释得很直白，CTR 预估就是这样的任务：给定用户（User），给定一个商品（Product），给定了一定的环境，来看用户会不会买这个商品，买商品的概率有多高；或者说给用户推荐一个电影，用户会不会看这个电影，看的概率有多高。
我想，这个任务理解起来很容易，但是知易行难，怎么实现才是最关键的。
了解了定义，就要看看 CTR 预估都会用在哪里了。
CTR 预估比较通用，所以它的应用范围就非常广，张老师举了 3 个例子，分别是计算广告、推荐系统和信息流排序。
计算广告是比较典型的 CTR 预估应用场景，比如有很多广告，哪些广告用户会点呢？
推荐系统有很多方法去做，但是这个问题也可以转化成 CTR 预估的一个任务。比如豆瓣的电影推荐，你推荐的电影用户会不会去看？着就是一个典型的把推荐问题转换成 CTR 预估任务的例子。
这里就要训练一个模型，X 代表训练数据的输入，Y 代表输出，Y 的取值是 1 到 5，1 代表用户极度不喜欢这个电影，绝对不可能看，5 代表用户非常喜欢这个电影，肯定会看。训练这个模型的关键在于 X，也就是输入特征。可以把输入分成几类特征，比如用户 ID，电影 ID，过去给哪些电影打过什么样的分，什么时间打的等等。
信息流最近两年比较火，包括百度、头条、微博都在做信息流。信息流是干什么呢？老师举了一个微博场景下的例子。比如你在微博关注了很多人，他们会有很多信息发布出来，那么优先给你展示哪些内容你可能会点呢？这就涉及到怎么为那些推送给你的信息流进行重新排序。
CTR 预估有三大特征，第一个就是具备大量的离散特征。什么是离散特征？对比连续特征一起来看就很容易理解。拿上面电影推荐的例子来说，对看过电影的打分就是连续特征，什么时间打的就是离散特征。具体来说，假设给电影打分的范围是 0 到 1 之间，打分这个特征就是在这个区间里面，什么值都可能，这就叫连续特征；对比来看，打分的时间，就是 1 到 24 个小时里面取一个，这就叫离散特征。
第二个特征是存在大量高维度的稀疏特征。从上面例子里的用户 ID 来看，什么叫高维度呢？假设有一亿用户，那就是一亿维的，所以叫高维度；什么叫稀疏呢？就是一亿维里面只有一个位置是 1，其他全是 0，这就是稀疏。原来，我常常听到的系统百亿级特征量是这么来的，之前是真的觉得很玄。
第三个就是特征工程很重要，特征组合对于效果很关键。什么叫特征组合呢？就是两个特征组合起来效果会非常明显。比如说一个人的性别是一个特征，买商品的时间是另外一个特征，那“性别”+“时间”这两个特征组合起来，就是非常强的预测用户会不会买东西的一个组合特征，比如女性在双十一的晚上一定是购买概率相当高。
特征工程很重要，那么特征挖掘一般都做什么呢？挖掘特征包含两类工作，一类就是找出以前没有用到的单一特征；第二类就是找有效的组合特征。
最后，用一张图总结一下这一节的内容。
课程已经上线「极客时间」App，各位读者可以点击「阅读原文」免费试看课程。
今日荐文
点击下方图片即可阅读
Github官方预测：2018你必须关注的开源项目
如果觉得内容不错，记得给我们「留言」和「点赞」，给编辑鼓励一下！
