1.GBDT+LR

14年Facebook发表了广告推荐系统论文Practical Lessons from Predicting Clicks on Ads at Facebook ，提出了经典的GBDT+LR模型。

系统输入：用户（User）、广告（Ad）、上下文（Context）

GBDT构建特征工程和LR预测CTR两步采用相同的优化目标独立训练，GBDT和LR采用不同的更新频率，GBDT部分几天更新一次，LR部分准实时更新。实时数据流架构（online data joiner）服务于模型的准实时训练和特征的准实时更新。

准实时更新实施注意点：

• waiting window（数据等待窗口）的设定，指在曝光（impression）发生后，要等待多久才能判定一个曝光行为是否产生了对应的点击
• 分布式架构与全局统一的action id（行为id）
• 数据流保护机制，未做保护机制时，一旦data joiner由于某些异常失效，所有样本均会变成负样本，故Facebook建立了异常检测机制，一旦发现实时样本流的数据发生变化，将立即切断在线学习过程。

工程

• 将采样：均匀采样，负采样
  • 负采样会带来CTR预估值的漂移，设真实CTR是0.1%，进行0.01的负采样之后，CTR将会攀升到10%左右。需要对CTR做校准。