最近在做app推荐的时候，ctr模型遇到一个常见的badcase问题，模型会把下载曝光都少的app给推出来。因此查找了一些关于ctr修正的文章，来记录一下解决这个问题的一些方法（但是，并不能真的完全解决）。首先看一下ctr的公式：

CTR的计算公式：CTR=下载数 / 曝光数

这个公式中只考虑了比列的关系，没有考虑到样本数的大小。因此在小样本中，这个比例是不准确的，当样本越多，这个比例才会越准确，越反应真实情况。

举个例子，有三个app：

• A: 下载数 10 曝光数 100
• B: 下载数 100 曝光数 1000
• C: 下载数 1000 曝光数 10000

它们三者的ctr都是0.01，但是从置信度来将，是C>B>A的，因为C的样本更多，更能反应真实情况。

---

这种情况下为了衡量样本数对于ctr置信区间的影响，可以引入“威尔逊区间”这一概念，公式如下：

威尔逊区间

p - 概率，指的是下载的概率，即ctr
n - 样本总数，这里指的是曝光数
z - 在正态分布里，均值 + z * 标准差 会有一定的置信度。例如 z取 1.96，就有 95% 的置信度

但是，这一方法适用于在相同CTR的情况下，通过考虑曝光数来修正CTR，使得样本多的CTR更置信。对于我们遇到的问题，小样本下的下载曝光都少，CTR远远高于平均水平，导致其成为badcase，仍然没有给出解决方法。

---

目前一种可取的做法就是对下载或者曝光都很少但CTR高的样本进行过滤，直接干掉。但是阈值如何选取是一个问题，只能通过拍脑袋决定。
这种做法对于长尾部分的样本有作用，但是对于下载曝光处于中后段如:（B类样本）并没有起到作用，因此再加入一种做法，就是over sample过采样，对于负样本过采样。仍用上面A,B,C的例子来说明，如果加入1000个负样本，那么：

• A：10 正 1100 负
• B：100 正 2000 负
• C： 1000 正 11000 负

这样经过处理可以发现CTR
A：10/1100=0.009
B：100/2000=0.05
C：1000/11000=0.09

对于大样本CTR基本不变，对于长尾的进行了打压，对于中间段的也进行了一定的修正。

这是样本层面的修正，但是有时候特征维度也会存在上述CTR的问题，举个例子：
如果样本只有两种特征 性别【男/女】和 商品 【nike】，对于性别与商品的交叉特征，男+nike 与 女+nike，如果有1000个男曝光了nike 购买 为100个，那么ctr为10%；10个女的曝光了nike 购买为2个，那么ctr也为20%；如果仅仅只看统计ctr那么就应该将nike推送给女性，这么做肯定是有问题。

这个时候如果按上面的负样本过采样就会出现问题，因为除了男女商品还有别的特征，直接复制样本会对其他特征的ctr造成影响。

一种在LR中值得尝试的做法是在做sgd梯度下降的时候，如果来了该特征维度上的一个负样本时，根据想要负采样的样本数/原本样本数，如100个负女性+nike /（除以） 原本10个负样本 = 10 倍，那么在负样本梯度更新时 乘以 10，将该负样本的影响增大，相当于起到了增加了负样本的作用。

---