7、点击率学习算法的抗点击欺诈方法

点击率学习算法的抗点击欺诈方法

在数字广告领域，点击率（CTR）的准确估计至关重要，但点击欺诈问题一直困扰着广告商。本文将深入探讨点击率学习算法，分析不同算法的抗欺诈能力，并介绍一种能够有效减少点击欺诈的算法类别。

点击率估计公式与常见学习方法

点击率的估计公式为：
[λ = \frac{\sum_{i = 1}^{\infty} x_i\delta(t_i, i, c_i) + \gamma}{\sum_{i = 1}^{\infty} \delta(t_i, i, c_i) + \gamma}]
其中，常数 $\gamma$ 通常是一个小常数，用于确保估计的点击率严格为正且有限。由于广告商并非一直存在于系统中，上述公式中的求和范围从 1 到 $\infty$ 存在歧义。为消除这种歧义，算法为每个进入系统的广告商假设一个默认的无限历史记录。

常见的学习方法有以下几种：
1. 固定时间窗口平均 ：当 $t_i \leq T$ 时，$\delta(t_i, i, c_i) = 1$；否则为 0。
2. 固定展示窗口平均 ：当 $i \leq y$ 时，$\delta(t_i, i, c_i) = 1$；否则为 0。
3. 固定点击窗口平均 ：当 $c_i \leq x$ 时，$\delta(t_i, i, c_i) = 1$；否则为 0。
4. 指数折扣 ：$\delta(t_i, i, c_i) = e^{-\alpha i}$。

这些方法在适当的参数