我们现在提供广告主信息对点击和转化二者的影响。

为此，我们为CTR和CVR预测构建了模型，不需要任何广告商的特征，将其对比包含了广告商特征的模型。

有发布商特征的模型优化了归一化的负对数似然，CTR预测提高了52.6％，CVR预测仅0.5％。这也说得通，说明广告商特征对于点击率预测非常有用，因为它有助于广告匹配。但是，一旦用户点击广告，发布商的页面就没有太大的影响用户的转换行为。潜在的PCC可能被简化为不需要广告商的数据。

我们的结果与[Rosales et al. 2012] PCC实验对比显示出更大的改善（auROC提高5.62％）。一个假设解释是这两个数据集的用户特征的覆盖和可靠性不同 。前面分析中使用的数据集包括许多样本特征中部分用户功能不可用。当前实验中使用的数据集， 另一方面，包含更可靠的用户信息。没有可靠的用户属性数据，广告商信息可以作为用户特征。迪斯尼游戏网站一定会吸引更多的孩子，而不是成年人。