在Click Model中进行参数预估的方法有两种：最大似然（MLE）和期望最大（EM）。至于每个click model使用哪种参数预估的方法取决于此model中的随机变量的特性。如果model中的随机变量都是可以observed，那么无疑使用MLE，而如果model中含有某些hidden variables，则应该使用EM算法。
1. THE MLE ALGORITHM
似然函数为：
则需要预估的参数的在似然函数最大时候的值为：
1）MLE FOR THE RCM AND CTR MODELS
RCM：
RCTR：
DCTR：
这几个例子都比较简单，都是简单地基于统计的方式。分子是各自事件的点击数，而分母是各自事件的展现数。
2）MLE FOR DCM
在DCM中，从最后一次点击位置的document开始，attractiveness变量就没法obsesrved了，我们不知道是用户因为对最后一次点击的document不satisfy而停止examine接下来的document，还是因为接下来的document不够attractive。而如果我们假设用户对最后一次点击的document是satisfy的，那么attractiveness变量和satisfaction变量都是observed的了。此时就是simplified DCM，有：
3）MLE FOR SDBN
2. THE EM ALGORITHM
考虑在Bayesian network中的随机变量
和它的父节点
。概率
是参数为
的
Bernoulli分布。当
或者其父节点中的某个变量无法observe的话，便可以使用EM算法进行参数预估。
1）EXPECTATION（E-STEP）
2）MAXIMIZATION（M-STEP）
3）EM ESTIMATION FOR UBM
3. FORMULAS FOR CLICK MODEL PARAMETERS
版权声明：
本文由笨兔勿应所有，发布于http://www.cnblogs.com/bentu*ng。如果转载，请注明出处，在未经作者同意下将本文用于商业用途，将追究其法律责任。