20.4 推荐系统与计算广告

20.4 推荐系统与计算广告

推荐系统与计算广告是现代数字经济的核心技术支柱，两者共同解决了信息过载环境下用户注意力的高效分配问题。尽管在核心目标、技术架构与评估体系上存在显著差异，但随着深度学习与大规模系统工程的发展，二者在底层模型、算法思想乃至基础设施层面正日益深度融合。本章将系统剖析推荐系统与计算广告的技术体系、核心挑战、架构演进与前沿趋势，旨在构建一个从算法原理到工业实践的完整知识框架。

20.4.1 核心范式辨析：用户体验优化与三方利益均衡

推荐系统与计算广告的根本区别源于其核心优化目标的不同。这一差异直接塑造了二者的技术路径与评价体系。

• 推荐系统：其本质是用户体验优化问题。核心目标是在准确理解用户兴趣的基础上，最大化用户满意度和长期参与度（如停留时长、留存率）。其关键约束在于探索与利用的权衡（E&E）、冷启动以及保障推荐的多样性、新颖性和公平性，避免“信息茧房”。
• 计算广告：其本质是兼顾三方（广告主、媒体平台、用户）利益的动态市场均衡问题。媒体平台需要在给定流量下最大化营收，同时满足广告主的预算、成本（如CPA、oCPM）和效果目标，并控制对用户体验的负面影响。因此，除了精准预估，其技术体系还必须包含竞价策略、智能预算控制、流量预估与分配（Yield Optimization）等经济学和运筹学模块。以主流的oCPM广告为例，其最终排序出价综合了广告主的转化出价（CPA）、预估点击率（pCTR）、预估转化率（pCVR）及预算平滑因子（pacingFactor），体现了多目标的融合：出价=CPA×pCTR×pCVR×pacingFactor出价 = CPA \times pCTR \times pCVR \times pacingFactor出价=CPA×pCTR×