传统CTR预估模型包括：LR、FM、GBDT等，其优点是：可解释性强、训练和部署方便、便于在线学习。
1.在cost-per-click：CPC广告中广告主按点击付费。为了最大化平台收入和用户体验，广告平台必须预测广告的CTR，称作predict CTR：pCTR。对每个用户的每次搜索query，有多个满足条件的广告同时参与竞争。只有pCTR x bid price最大的广告才能竞争获胜，从而最大化eCPM：eCPM=pCTR x bid
基于最大似然准则可以通过广告的历史表现得统计来计算 pCTR 。假设广告曝光了 100次，其中发生点击 5 次，则 pCTR = 5%。其背后的假设是：忽略表现出周期性行为或者不一致行为的广告，随着广告的不断曝光每个广告都会收敛到一个潜在的真实点击率 CTRtrue 。
这种计算 pCTR 的方式对于新广告或者刚刚投放的广告问题较大：
新广告没有历史投放信息，其曝光和点击的次数均为 0 。
刚刚投放的广告，曝光次数和点击次数都很低，因此这种方式计算的 pCTR 波动非常大。
如：一个真实 CTR 为 5% 的广告必须曝光 1000次才有 85% 的信心认为 pCTR 与真实 CTR 的绝对误差在1% 以内。真实点击率越低，则要求的曝光次数越多。 为解决这个问题，论文 《Predicting Clicks: Estimating the Click-Through Rate for New Ads》 提出利用 LR 模型来预测新广告的CTR。
2.从经验上来看：广告在页面上的位置越靠后，用户浏览它的概率越低。因此广告被点击的概率取决于两个因素：广告被浏览的概率、广告浏览后被点击的概率。因此有：
$p(click|ad,pos)=p(click|ad,pos,seen) \times p(seen|ad,pos)$
假设：
在广告被浏览（即：曝光）到的情况下，广告被点击的概率与其位置无关，仅与广告内容有关。
广告被浏览的概率与广告内容无关，仅与广告位置有关。
则有：
p(click|ad,pos)=p(click|ad,seen)xp(seen|pos)
第一项p(click|ad,seen)就是我们关注和预测的CTR。
第二项与广告无关，是广告位置（即：广告位）的固有属性。
可以通过经验来估计：统计该广告位的总拉取次数impress（pos），以及总曝光次数see（pos），则：
$p(seen|pos)=\frac{seen(pos)}{impress(pos)}$，这也被称为广告位的曝光拉取比。
（二）算法 一、LR模型1.论文将CTR预估问题视作一个回归问题，采用逻辑回归LR模型来建模，因为LR模型的输出在【0,1】之间。$pCTR=\frac{1}{1=exp(-\sum_i w_i f_i)}$
其中$f_i$表示从广告中抽取的第$i$个特征（如广告标题的单词数量），$w_i$为该特征对应的权重。采用符号的原因是使得权重、特征和pCTR正相关：权重越大则pCTR越大。
2.评价标准
模型通过L-BFGS算法来训练；
损失函数：交叉熵 L=-[pCTR]xlog(CTR)+(1-pCTR)xlog(1-CTR)]
权重通过均值为0、方差为$\sigma$的高斯分布来随机初始化。其中$\sigma$为超参数，其取值集合为[0.01,0.03,0.1,0.3,1,3,10,30,100]，并通过验证集来选取最佳的值。
评估指标：测试集上每个广告的pCTR和真实点击率的平均KL散度。KL散度衡量了pCTR和真实点击率之间的偏离程度。一个理想的模型，其KL散度为0，表示预估点击率和真实点击率完全匹配。$\overline{\mathbb{D}}_{K L}=\frac{1}{T} \sum_{i=1}^{T}\left(\operatorname{pCTR}\left(\operatorname{ad}_{i}\right) \times \log \frac{\operatorname{pCTR}\left(\operatorname{ad}_{i}\right)}{\operatorname{CTR}\left(\operatorname{ad}_{i}\right)}+\left(1-\operatorname{pCTR}\left(\operatorname{ad}_{i}\right)\right) \times \log \frac{1-\operatorname{pCTR}\left(\operatorname{ad}_{i}\right)}{1-\overline{\operatorname{CTR}}\left(\operatorname{ad}_{i}\right)}\right)$
3.模型不仅可以用于预测新广告的pCTR，还可以为客户提供优化广告的建议。可以根据模型特征及其重要性来给广告主提供创建广告的建议，如：广告标题太短建议增加长度。
二、Degree-2 Polynomial Margin (Poly2)1.LR模型只考虑特征之间的线性关系，而POLY2 模型考虑了特征之间的非线性关系。
捕获非线性特征的一个常用方法是采用核技巧，如高斯核RBF，将原始特征映射到一个更高维空间。在这个高维空间模型是线性可分的，即：只需要考虑新特征之间的线性关系。但是核技巧存在计算量大、内存需求大的问题。