機器學習方法應用在DSP廣告投放中，預估CTR/CVR，業界常用的方法是人工特徵工程+LR,GBDT,近期FM,FFM模型在其中使用效果非常顯著。

先解釋一波DSP相關專業術語：
DSP:Demand-Side platform，需求方平臺，在網際網路廣告產業中，DSP是一個系統，也是一種線上廣告平臺，服務於廣告主，幫助廣告主在網際網路上進行廣告投放。兩個核心特徵：強大的RTB(Real-Time Bidding)的基礎設施和能力，強大的使用者定位(Audience Targeting)技術。
CPC:Cost Per Click按點選計費
CPA:Cost per Action按成果數計費
CTR

FM:Factorization Machine 因子分解機，又稱分解機器，旨在解決大規模稀疏資料下的特徵組合問題。
FFM:Field-aware Factorization Machine,場感知分解機器，把相同性質的特徵歸於同一個field

稀疏問題引出：
在機器學習中，尤其是計算廣告領域，特徵並不總是數值型，很多時候是分類值，對於categorical feature，通常會採用one-hot encoding轉換成數值型特徵，轉化過程會產生大量稀疏資料。

one-hot encoding:獨熱編碼或者叫一位有效編碼，使用N位狀態暫存器來對N個狀態進行編碼，每個狀態都有它獨立的暫存器，並且在任意時刻，只有一位有效。可以這麼理解：對於每一個特徵，如果它有m個可能取值，那麼經過one-hot encoding之後，就變成了m個二元特徵，並且，這些特徵互斥，每次只有一個啟用，因此，資料會變得稀疏。