当前位置：首页 > news >正文

计算广告技术：从CTR预估到智能出价系统

news 2026/7/21 12:49:34

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 eCPM（expected 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；
GBDT+LR：Facebook 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 / DeepFM：Wide 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_dim=16, 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, dim=1) # (B, F, D) # FM 二阶项: 0.5 * ((sum(v))^2 - sum(v^2)) sum_square = embed_stack.sum(dim=1).pow(2) square_sum = embed_stack.pow(2).sum(dim=1) fm_term = 0.5 * (sum_square - square_sum).sum(dim=1, keepdim=True) 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 | | GBDT+LR | 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 |