CTR (Click-through rate, 点击率)预估在工业级推荐系统、广告系统中是非常重要的一个环节, 其预估效果会直接影响推荐系统的性能。CTR预估常伴有训练数据量大、特征高度稀疏、推断性能要求高等特点，使得算法的设计多围绕这些特点来进行。
现阶段, 工业级的推荐系统常因为候选集数据量、系统响应时效等因素的影响, 需要分多个阶段完成整个推荐的流程, 具体地, 常将其分为召回与排序两大阶段。
我们通常先采用多路召回策略(协同过滤、热点、用户画像标签等)从待推荐物料库中先召回一批数据, 使数据量下降到千量级. 由于召回阶段的数据量较大, 所以要求该阶段所使用的策略和模型要足够的简单. 通过召回阶段, 我们顺利地将待排序数据量降至千量级, 此时, 我们便可以通过用户画像、物料画像、用户行为记录等数据来进行排序, 从而得到用户对每个物料的CTR预估值.
LR 在 CTR 预估中的应用
对于特征的离散化，在 CTR 预估中通常还会使用 GBDT+LR 的方法，用 GBDT 产生稀疏特征后在放入 LR 中进行训练，效果还不错。