剛開始接觸廣告推薦系統，對理論知識還處在一個學習的階段，看一些資料，這裏主要是對看的一些知識點的總結和進一步理解：
http://blog.csdn.net/mytestmy/article/details/18987247
廣告生態系統：
這一系列中的博客主要介紹廣告系統的生態環境，和廣告推薦的流程
主要描述廣告業的發展，目前主要是將用戶的需求進行統一在DSP(demand side paltform互聯網裏有成千上萬的廣告主)中，互聯網裏也有成千上萬擁有豐富媒體資源和用戶流量的網站，他們急需把龐大的流量變現來發展壯大，同時還希望每一個流量都能夠達到最大的收益，也就是途中的SSP(supply side platform)，中間是通過一個ADE（ad exchage）用於需方和賣方之間的廣告交易。在交易過程中利用RTB（realt ime bid）實時競價，誰的bid比較高，那麼這個pv就歸誰所有。
在大數據發展的今天，肯定在ADE這一層有很大的發展，纔會有人願意爲一個pv進行競價：
互聯網數據平臺DMP（data management platfrom）有了DMP，Ad
Exchange就可以知道訪問廣告位的用戶是對什麼感興趣了用戶了，這樣RTB模式就有了運營的資本，廣告主也樂於出較高的價錢來買這個用戶。
當一個用戶開始訪問一個有媒體資源的網站時，首先通過識別用戶的cookie分析用戶的喜好，這裏假設用戶是汽車愛好者，然後在SSP中根據用戶信息和廣告信息進行匹配，將匹配的信息發送到DSP，由商家進行競價這個PV。
下圖是廣告技術的生態以及DMP所處位置。
下面可以看看淘寶共享的一個DMP爲核心的廣告生態圈。
一個和淘寶相關的ppthttp://www.docin.com/p-684358746.html
首先是在M-DSP中綜合廣告主和用戶的信息進行數據標籤化管理，發送給發佈渠道，根據廣告主的投放，和用戶的信息進行展示，已經展示後的情況進行結算。
Ad Exchange更容易獲得高質量的廣告位資源。如下圖所示。
CTR簡單基礎：
在介紹了廣告生態系統之後主要是廣告主爲什麼要購買這個PV，那麼必定是給用戶展示了這個商品後用戶點擊的可能性很大那麼也就是CTR：
點擊率的預估，做的工作可以用下面的圖來描述。
http://blog.csdn.net/mytestmy/article/details/18987881
預估一個人點擊一個廣告的概率
一次廣告的展示是否被點擊（每次展示被點擊的概率可能不一樣）是一個伯努利試驗，對多個用戶展示多個廣告的過程是一個伯努利過程，總體的歷史展示與點擊數據符合一個伯努利分佈，伯努利試驗成功的概率就是上面的f(user,ad)的值。擬合這個伯努利分佈的過程就是訓練的過程。擬合分佈往往用的是極大似然估計的方式去擬合，剛好做的事情就是跟做一個迴歸問題是一樣的，這個迴歸叫做logistic迴歸。
其中y=1表示這個展示被點擊了，y=0表示這個展示沒有被點擊。似然函數和對數似然函數也可以寫成下面的形式
這裏的h函數就是用邏輯迴歸進行預測。求上面的式子的最大值，就可以得到w的最優解，這個最優解w就表示當前展示數據的伯努利分佈是擬合的最好的，用來預估ctr也是最好的。
在後面講進一步介紹邏輯迴歸相關內容