在Click Model中進行引數預估的方法有兩種：最大似然（MLE）和期望最大（EM）。至於每個click model使用哪種引數預估的方法取決於此model中的隨機變數的特性。如果model中的隨機變數都是可以observed，那麼無疑使用MLE，而如果model中含有某些hidden variables，則應該使用EM演算法。

1. THE MLE ALGORITHM

似然函式為：

則需要預估的引數的在似然函式最大時候的值為：

1）MLE FOR THE RCM AND CTR MODELS

RCM：

RCTR：

DCTR：

這幾個例子都比較簡單，都是簡單地基於統計的方式。分子是各自事件的點選數，而分母是各自事件的展現數。

2）MLE FOR DCM

在DCM中，從最後一次點選位置的document開始，attractiveness變數就沒法obsesrved了，我們不知道是使用者因為對最後一次點選的document不satisfy而停止examine接下來的document，還是因為接下來的document不夠attractive。而如果我們假設使用者對最後一次點選的document是satisfy的，那麼attractiveness變數和satisfaction變數都是observed的了。此時就是simplified DCM，有：

3）MLE FOR SDBN

2. THE EM ALGORITHM

考慮在Bayesian network中的隨機變數和它的父節點。概率是引數為的

Bernoulli分佈。當或者其父節點中的某個變數無法observe的話，便可以使用EM演算法進行引數預估。

1）EXPECTATION（E-STEP）

2）MAXIMIZATION（M-STEP）

3）EM ESTIMATION FOR UBM

3. FORMULAS FOR CLICK MODEL PARAMETERS

版權宣告：

本文由笨兔勿應所有，釋出於http://www.cnblogs.com/bentuwuying。如果轉載，請註明出處，在未經作者同意下將本文用於商業用途，將追究其法律責任。