点击率预测：从“猜”到“算”的飞跃
点击率预测是智能出价的基石。系统需要判断：如果这条广告展示给这位用户，他点击的可能性有多大？这本质上是一个概率估计问题。早期方法使用逻辑回归，将用户特征、广告特征、上下文特征拼接后输入模型。但特征组合爆炸式增长，人工设计交叉特征成本高。于是，因子分解机（FM）和梯度提升决策树（GBDT）被引入，前者能自动学习特征间的二阶交互，后者擅长处理非线性关系。近年来，深度神经网络成为主流，例如Google提出的Wide & Deep模型，让“宽”部分记忆高频特征组合，“深”部分泛化到未见过的组合。更前沿的模型如DeepFM、DIN（深度兴趣网络）则进一步引入注意力机制，根据用户历史行为动态调整兴趣表示。这些模型输出的点击率预估值，直接决定了广告的排序和终扣费。
预算优化：在约束中寻找优解
有了点击率预测，下一个难题是：广告主每天预算有限，如何分配出价才能获得多转化或大利润？这属于带约束的优化问题。常用方法是拉格朗日乘子法：将预算约束转化为一个“影子价格”，动态调整出价。例如，当预算消耗过快时，系统会提高影子价格，相当于降低出价，让广告在后续时段更少胜出；反之则提高出价抢量。更高级的方法使用强化学习，将预算分配建模为马尔可夫决策过程，智能体根据当前消耗状态和剩余时间决定出价调整幅度。Google的智能出价系统还结合了“转化延迟”问题——用户点击后可能几天才购买，因此需要利用生存分析或时间衰减模型来预估终转化价值，避免过早优化导致偏差。
协同工作与持续学习
点击率预测和预算优化并非孤立运行。点击率模型提供实时反馈信号，预算优化器则根据这些信号调整出价策略，形成闭环。系统还会进行在线学习，每隔几分钟就用新产生的点击数据更新模型参数，以应对用户兴趣漂移和广告竞争环境变化。此外，为了平衡探索与利用，系统会故意以小概率展示非优广告，收集新数据来改进模型。这套机制背后，是概率统计、凸优化、深度学习与强化学习的深度融合。下次你看到一条精准的广告时，不妨想想：这背后是数百个特征、数千万次参数更新和一场毫秒级的智能博弈。
