摘要：
SEM翻译过来叫搜索引擎营销，个人认为是随着搜索引擎竞价排名出现的一个行业，已经有了好多年的历史，做sem的公司这些年里手里应该都积攒着大量的cookie,关键词等与SEM和追踪相关的数据，这些数据现在更多是用来给用户报表使用的，但其实个人认为这些数据通过RTB即可以变现又可以为广告主提供更好的解决方案，只不过现在好多SEM公司没有找办挖掘的办法而已． DSP(需求方平台)是随着RTB(实时竞价)而兴起的一个产业，这个东西的规则就是当一个用户访问了一个网页，这个网页上有些广告位是给了RTB的，则rtb会将这个用户的ＩＤ和广告位等信息下发到在它这注册的DSP们，而DSP需要在一段时间内(通常是. 阅读全文
摘要：
这篇文章主要阐明了如何给广告合约分配流量，理论上的方法是用求对偶函数的方法来求最优解，跟SVM一样，最后提供了一个可工程化的HWM方法。合约广告系统原作者：刘鹏@北冥乘海生编辑：Koala++/屈伟视频课程：师徒网推荐拙译：在线分配问题的High Water Mark算法论文。在线分配（Online Allocation）问题在线分配问题前面提到过广告是三方博弈，用户，广告主，媒体之间的博弈，而推荐系统是用户与媒体的博弈。它们之间的区别其一是广告主通媒体reach用户是有量的需求的，推荐系统是自己把内容推给用户，不见得有明显的量的需求。广告的量的需求体现在两个方面，一种是我前面提到的GD广告系 阅读全文
摘要：
【小编】发现好文一篇，让大家对DSP中的基础算法和模型有一个初步的了解。（转载请保留原文链接http://www.techinads.com/archives/41authored by 江申_Johnson）美国有一家很优秀的DSP公司–M6D（m6d.com），这个公司只是个startup公司，却已经在KDD之类的顶级会议发表的7-8篇优秀的文章。最近我研究了一下他们的DSP算法，和大家分享一下我的理解，希望以一个实例让大家对DSP中的基础算法和模型有一个初步的了解。写得不对的地方，还请大家及时指正。这篇文章假设大家对DSP及RTB生态圈各种三个字母缩写的概念有初步的理解。一、整体流程首先 阅读全文
摘要：
softmax回归是由多项分布推导回来的一种回归，主要的做用就是能进行二种以上的分类，它也是广义线性模型中的一种，不过它的特点是它的T(y)和η都是向量值。 p(y;Φ)=Φ11{y=1}Φ21{y=2}...Φk1{y=k};设(T(y))i=1{y=i} =Φ11{y=1}Φ21{y=2}...Φk1-Σ1{y=i};i=1....k-1 =Φ1(T(y))1Φ2(T(y))2...Φk1-Σ(T(y))i =exp((T(y))1log(Φ1)+(T(y))2log(Φ2)+...(1-Σ(T(y))i)log(Φk)) =exp((T(y))... 阅读全文
摘要：
logistic回归： logistic回归一般是用来解决二元分类问题，它是从贝努力分布转换而来的 hθ(x) = g(z)=1/1+e-z ;z=θTx 最大似然估计L(θ) = p(Y|X;θ) =∏p(y(i)|x(i);θ) =∏(hθ(x))y(i)(1-hθ(x))1-y(i) l(θ) = logL(θ) =Σy(i)loghθ(x(i))+(1-y(i))log(1-hθ(x(i))) θ的优化目的就是让最大似然估计最大，用梯度上升法求θ θj=θj+α∂l(θ)/∂θj=θj+α(y(i)-hθ(x(i)))x(i)... 阅读全文
摘要：
线性回归公式：hθ(x) =θ0+θ1x1+...+θnxn ;设x0=1 =θTx所有的求解方法都是在求θ，目标是让J(θ)最小化;J(θ)=1/2∑(hθ(x(i))-y(i))2 i=1...m（训练集的数量）如何求θ 方法1：梯度下降法：θj:=θj-α∂J(θ)/∂θj,其中α是学习速率，代表着你一步走多长，一般由人工指定，判断收敛的条件为多次叠代后θ的值稳定了 因为∂J(θ)/∂θj=∂(1/2(hθ(x)-y)2)/∂θj =2*1/2(hθ(x)-y)∂(hθ(x)-y)/∂θj ... 阅读全文
摘要：
记得几年前看过一篇博客说过这样的一个故事：你发现一件喜欢的衣服，你用手机拍了张照片，然后手机直接告诉你你附近都哪有卖这件衣服的，最便宜的是哪家，当时看过以后感觉这个故事很吸引人，也很遥远，像在地球上拿望远镜看月球一样，不过现在回想起来发现这个故事已经没那么遥远了，已经变得很清晰了。人类最早发明文字的目的应该是为了记录越来越多的信息，后来，信息更多了些，便出现了文章、报纸 。后来信息更多了，便有了书，然后书变得越来越厚、越来越多，再往后出现了ISBN、分类、检索。这从某一个方面展示了信息是如何发展的，就像我们上学时老师总说的，书呢，读着读着就会变薄，再读着读着就会变厚，再读还会变薄，周而复始。互 阅读全文