---
title: "點擊率預測（Click-through Rate Prediction）"
slug: click-through-rate-prediction
language: zh-TW
source: https://aiterms.tw/terms/click-through-rate-prediction
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 推薦系統, 模型訓練, 模型評估, 特徵工程, AI應用, 資料處理, 神經網路]
ipas_term: false
---

# 點擊率預測（Click-through Rate Prediction）

> **你要預測使用者會不會點開某個廣告或內容時，你會怎麼判斷它真正的作用？**
>
> 你可以把它想成 點擊率預測旨在預估使用者點擊特定廣告或連結的可能性，是數位廣告和推薦系統的核心技術。
>
> 在 你要預測使用者會不會點開某個廣告或內容時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

### 容易混淆
> **CTR vs 轉換率**
> CTR 看有沒有點擊，轉換率看點了之後有沒有完成目標。
>
> **CTR vs 排名分數**
> CTR 是機率預測，排名分數是拿來排序的綜合指標。
>
> **CTR vs A/B 測試**
> CTR 模型是在預測，A/B 測試是在驗證不同版本的真實效果。

### 記住這句就好
> 先看它要解決的是什麼問題，再看它是不是最合適的方法。

### 實際案例
> **案例 1：廣告預估**
> 你想知道某個廣告被點的機率，幫助系統決定要不要展示。
>
> **案例 2：推薦排序**
> 首頁列表要排哪個內容在前面，CTR 常是重要特徵之一。

### 算法與應用
> | 面向 | 重點 |
> |---|---|
> | 核心 | 預測使用者看到某個項目後會不會點。 |
> | 常見特徵 | 使用者、內容、上下文、交叉特徵。 |
> | 注意 | AUC 高不代表業務一定變好，還要看曝光、收益與長期效果。 |

### 情境判斷
> **Q1（判斷題）：** 模型 AUC 很高，但收入沒變，這代表什麼？
> → 可能是模型排序變好了，但沒有帶動真正想要的商業結果。
>
> **Q2（判斷題）：** 新廣告完全沒有歷史資料，CTR 要怎麼猜？
> → 這就是冷啟動問題，通常要借助內容特徵或先驗估計。

### 常見問題
> **Q：AUC 為什麼常用在 CTR？**
> 因為它能看模型的排序能力，而排序對廣告和推薦很重要。
>
> **Q：CTR 和轉換率有什麼不同？**
> CTR 看點擊，轉換率看點擊後是否真的完成購買或註冊。
>
> **Q：特徵工程重要嗎？**
> 非常重要，CTR 任務通常很吃特徵品質。

### 相關術語
> - **演算法**：這是下一層常搭配的排序或評估概念。
> - **邏輯迴歸**：這是下一層常搭配的排序或評估概念。
> - **機器學習**：這是下一層常搭配的排序或評估概念。
> - **推薦系統**：這是下一層常搭配的排序或評估概念。
> - **A/B測試**：這是下一層常搭配的排序或評估概念。

---

來源：https://aiterms.tw/terms/click-through-rate-prediction
快查頁：https://aiterms.tw/terms/click-through-rate-prediction
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-click-through-rate-prediction