在计算广告场景中，需要平衡和优化三个参与方——用户、广告主、平台的关 键指标，而预估点击率CTR(Click-through Rate)和转化率CVR (Conversion Rate)是其中非常重要的一环，准确地预估CTR和CVR对于提 高流量变现效率，提升广告主ROI(Return on Investment)，保证用户体验 等都有重要的指导作用。 传统的CTR/CVR预估，典型的机器学习方法包括人工特征工程 + LR (Logistic Regression)[1]、GBDT(Gradient Boosting Decision Tree)[2] + LR、FM(Factorization Machine)[3]和FFM(Field-aware Factorization Machine)[4]等模型。相比于传统机器学习方法，深度学习模 型近几年在多领域多任务(图像识别、物体检测、翻译系统等)的突出表现， 印证了神经网络的强大表达能力，以及端到端模型有效的特征构造能力。同时 各种开源深度学习框架层出不穷，美团集团数据平台中心也迅速地搭建了GPU 计算平台，提供GPU集群，支持TensorFlow、MXNet、Caffe等框架，提供 数据预处理、模型训练、离线预测、模型部署等功能，为集团各部门的策略算 法迭代提供了强有力的支持。 美团海量的用户与商家数据，广告复杂的场景下众多的影响因素，为深度学习 方法的应用落地提供了丰富的场景。本文将结合广告特殊的业务场景，介绍美 团搜索广告场景下深度学习的应用和探索。主要包括以下两大部分: · CTR/CVR预估由机器学习向深度学习迁移的模型探索 · CTR/CVR预估基于深度学习模型的线下训练/线上预估的工程优化

《深度学习之美 AI时代的数据处理与最佳实践 》一书的源代码。

本文来自于网络，本文将结合广告特殊的业务场景，介绍美团搜索广告场景下深度学习的应用和探索在计算广告场景中，需要平衡和优化三个参与方——用户、广告主、平台的关键指标，而预估点击率CTR（Click-throughRate）和转化率CVR（ConversionRate）是其中非常重要的一环，准确地预估CTR和CVR对于提高流量变现效率，提升广告主ROI（ReturnonInvestment），保证用户体验等都有重要的指导作用。传统的CTR/CVR预估，典型的机器学习方法包括人工特征工程+LR（LogisticRegression）[1]、GBDT（GradientBoostingDecisionT