步：用户画像——给每个人贴上动态标签
Google并不认识“你”，但它认识“你的行为集合”。当你使用搜索、YouTube、Gmail或Google地图时，系统会记录关键词、观看时长、地理位置、设备类型甚至停留时间。这些数据被输入机器学习模型，生成数百个维度的标签，例如“对徒步感兴趣”“近期有购买意图”“偏好中端价位”。值得注意的是，Google强调其广告系统不直接使用敏感个人信息（如健康、种族），而是依赖上下文和聚合行为。画像不是静态的，一次点击就可能更新你的兴趣权重。
第二步：实时竞价——一场毫秒级的拍卖会
当广告位出现时，Google的Ad Exchange会向符合条件的广告主发起实时竞价（RTB）。整个过程在100毫秒内完成：系统先根据用户画像和页面内容筛选出候选广告，然后每个广告主用算法计算“愿付价格”。这个价格并非随意出价，而是基于“预期价值”——即该用户点击或转化的概率乘以广告主设定的价值。例如，一个刚搜索过“登山鞋”的用户，对户外品牌而言转化概率高，出价就高；而对美妆品牌则价值低，甚至不参与竞价。终，出价且广告质量得分（如相关性、着陆页体验）达标的广告胜出。
第三步：算法核心——预测点击率与转化率
实时竞价的关键在于准确预测。Google使用深度神经网络（如Wide & Deep模型）同时处理稀疏特征（如具体搜索词）和稠密特征（如用户历史点击率）。模型输出一个概率值：该用户点击此广告的可能性。这个概率再乘以广告主的转化率预测和出价，形成“有效千次展示成本”（eCPM）。为了平衡探索与利用，系统还会用多臂老虎机算法尝试新广告，避免错过更优匹配。近年来，联邦学习等隐私保护技术也被引入，让模型在不集中原始数据的情况下更新。
总结：精准背后的权衡
从用户画像到实时竞价，Google广告的“千人千面”本质是数据、算法与经济学机制的协同。它提升了广告效率，也让用户看到更相关的信息。但这一系统也引发隐私与公平性讨论：画像是否过度推断？竞价是否让小广告主处于劣势？理解其原理，能帮助我们更理性地看待每一次“恰好”出现的广告，并在数字世界中做出更明智的选择。
