计算广告技术从CTR预估到智能出价系统互联网广告是一门被算法深度改造的生意。一次广告曝光背后系统要在几十毫秒内完成召回、粗排、精排、出价一整套决策直接决定平台的收入和广告主的 ROI。这套链路里积累的技术——大规模稀疏特征建模、在线学习、强化学习出价——对做推荐和搜推广的开发者都有参考价值。本文按广告系统的核心模块展开聊聊 CTR 预估的模型演进和智能出价的实现思路。广告系统的整体漏斗工业广告系统普遍采用级联架构先从上千万候选广告中召回几千条召回用轻量模型快速打到几百条粗排再用重型精排模型预估每个候选的 CTR/CVR最后按 eCPMexpected Cost Per Mille排序并结合出价策略决定最终曝光。eCPM 的计算逻辑是广告排序的核心CPC 计费下 eCPM pCTR × bid × 1000。可以看到 CTR 预估的准确性直接决定排序质量——pCTR 高估 10%平台就可能把钱浪费在没人点的广告上低估则把好流量让给了对手。CTR 预估从 LR 到深度序列模型CTR 预估的挑战在于特征极度稀疏用户 ID、广告 ID、类目都是千万级维度的 one-hot且组合特征决定效果。模型演进大致经历了四代LR 时代逻辑回归 人工特征工程简单可控可在线学习但组合特征全靠人肉构造天花板明显GBDTLRFacebook 2014 年的经典方案用 GBDT 自动做特征组合和离散化叶子节点编号喂给 LR减少了手工特征的工作量Wide Deep / DeepFMWide 侧记忆、Deep 侧泛化。DeepFM 用 FM 层替代 Wide 侧的手工交叉一阶二阶特征与深度网络共享 embedding端到端训练至今仍是很多团队的 baseline行为序列模型DIN、DIEN、SIM 这一系把用户历史点击序列引入模型用注意力机制让候选广告去查询相关历史行为捕捉兴趣的多样性和时序演化是效果提升最显著的一代。一个简化版 DeepFM 的核心结构如下import torch import torch.nn as nn class DeepFM(nn.Module): def __init__(self, field_dims, embed_dim16, mlp_dims(128, 64)): super().__init__() num_fields len(field_dims) self.embedding nn.ModuleList( [nn.Embedding(dim, embed_dim) for dim in field_dims] ) self.linear nn.ModuleList( [nn.Embedding(dim, 1) for dim in field_dims] ) total_embed num_fields * embed_dim self.mlp nn.Sequential( nn.Linear(total_embed, mlp_dims[0]), nn.ReLU(), nn.Linear(mlp_dims[0], mlp_dims[1]), nn.ReLU(), nn.Linear(mlp_dims[1], 1), ) def forward(self, x): # x: (batch, num_fields) 每列是某个特征域的 id embeds [emb(x[:, i]) for i, emb in enumerate(self.embedding)] embed_stack torch.stack(embeds, dim1) # (B, F, D) # FM 二阶项: 0.5 * ((sum(v))^2 - sum(v^2)) sum_square embed_stack.sum(dim1).pow(2) square_sum embed_stack.pow(2).sum(dim1) fm_term 0.5 * (sum_square - square_sum).sum(dim1, keepdimTrue) linear_term sum(lin(x[:, i]) for i, lin in enumerate(self.linear)) deep_term self.mlp(embed_stack.view(x.size(0), -1)) return torch.sigmoid(linear_term fm_term deep_term)几代模型的对比可以总结为| 模型 | 特征组合能力 | 是否利用行为序列 | 训练成本 | 适用场景 | | --- | --- | --- | --- | --- | | LR | 依赖人工交叉 | 否 | 极低 | 冷启动、基线监控 | | GBDTLR | 树模型自动组合 | 否 | 低 | 中小数据量 | | DeepFM | 二阶自动 深度高阶 | 否 | 中 | 通用精排 baseline | | DIN/SIM | 高阶 序列注意力 | 是 | 高 | 大流量、用户行为丰富 |召回与粗排漏斗上游的工程权衡精排模型再强候选集里没有好广告也白搭。召回侧常用多路策略定向标签召回年龄、地域、兴趣标签、向量召回双塔模型把用户和广告编码到同一向量空间ANN 检索、以及探索性召回给新广告冷启动流量。粗排是夹在中间的妥协产物双塔结构把用户塔和广告塔分开广告向量可以离线预计算在线只需算一次用户向量和内积单次打分成本比精排低两个数量级。代价是双塔限制了特征交叉能力所以近年的趋势是用知识蒸馏让粗排逼近精排——精排模型做 teacher粗排做 student。智能出价oCPC 与强化学习
