接下来，我们将我们的方法与最先进的LMMH（Log-linear Model for
Multiple Hierarchies）方法[Agarwal et al. 2010] 进行对比，该问使用了相同的上下文：具有分层特征的显示广告的CTR预估。LMMH方法利用广告商和广告主属性的层次通过明确编码这些关系。它的建模分成两部分：首先，使用协变量来训练基于特征的模型，而不是使用层次结构特征。在第二阶段，广告主层次（(e.g., publisher type -- publisher id）和广告商层次（e.g., advertiser id -- campaign id -- ad id)）用于学习校正基线模型的因子。预测的点击次数，E，通过总结所有层级结构的样本基线概率计算广告主和广告商层次。 全层次的校正因子被建模为广告商和广告主节点的对数线性函数（e.g., fpublisher type, advertiser idg）：

其中，$$左边是层次对$$$$h_i$$ 的乘法校正因子

广告主 $$h_i,ad$$，

广告商 $$h_i,pub$$

是联系广告主节点$$a_i$$ 和广告商 $$p_j$$ 的相关参数

每层的点击（或转化），$$C_h$$ 是假定给定的$$\phi$$ 和 $$E_h$$ 是条件独立的。且模型假定是服从泊松分布。

泊松分布的假设给定为：

LMMH方法通过在估计后代节点的祖先参数时进一步利用分层结构。子节点越相互接近，则它们的校正因子越接近父节点。

表IV中显示的结果显示了所有指标的改进。这个结果可以用我们模型所有关系来解释。