外的超参，将COEC的值映射到ctr上，一定的不可控性。 因此，基于业务现状，小红书团队创新性地提出了一种对于 ctr 进行坑位纠偏的方法，命名为 ECOI (Expected Click on Impression)。借鉴 COEC 的思想（根据不同坑位的平均 ctr，计算期望点击数量），将所有位置的点击都与首位进行校准对齐，其计算方法如下： 优点：使用 ECOI 的实验组效果略好于使用 COEC 的效果，并且远好于不进行坑位纠偏的效果。相比 COEC，其含义和取值范围基本与实际 ctr 一致，方便直接替换模型中的ctr，
也不用引入超参去寻找和ctr的
映射关系。 缺点：但看某一个坑位上点击数校准的值，可能点印度尼西亚 WhatsApp 号码列表击数比曝光数还大。（出现几率偏小，广告系统中的点击数是远小于曝光数的，所以可以忽略这个问题） 二、 深度优选模型 UC发 依赖后验数据的反馈，但是创意素材（包括封面图和标题）有大量都是分布在长尾上，无法在有限的时间内搜集到足够多的反馈数据得到置信的结果。所以小红书平台构建了大规模离散值 DNN 模
型来补充创意上的泛化能力
针对热门创意的素材，在模型中将比特币数据库美国征是大规模离散值 DNN 的学习基础，在项目一期，对创意素材和用户进行了精细的刻画，构建了具有较强泛化能力和个性化能力的模型。 创意素材泛化：挖掘基础的创意泛化特征，如图片的类目，OCR 结果，文本的分词，实体词等。一方面防止模型在自解释特征上过拟合，另一方面对于冷启动阶段的新创意，自解释特征还未完全
