用户画像：给每个浏览器贴上数千个标签
精准投放的步是“认识你”。Google并不直接知道你是谁，但它会为每个Cookie或设备标识符建立一个动态画像。这个画像包含三类数据：人口统计学特征（如年龄区间、语言）、兴趣与行为（如频繁浏览科技新闻、近期搜索过“露营装备”）、以及上下文环境（当前页面主题、地理位置、设备类型）。这些标签并非静态，而是随着你的每一次搜索、点击、观看视频而实时更新。例如，你连续三天搜索“婴儿辅食”，系统会推断你可能有育儿需求，并提高相关广告的竞价权重。
机器学习预测模型：从“猜”到“算”的跨越
有了画像，下一步是预测“你会不会点击”。Google使用逻辑回归、梯度提升决策树和深度神经网络等模型，输入数百个特征（用户画像标签、广告历史点击率、时间、页面内容等），输出一个0到1之间的点击概率。这个概率直接决定广告是否展示以及展示在什么位置。更关键的是，系统采用实时竞价机制：当页面加载时，多个广告主在100毫秒内出价，而Google的模型会动态计算“展示该广告的预期收益 = 点击概率 × 广告主出价”，并选择收益的广告。整个过程完全自动化，且模型会持续从新数据中学习——例如，如果某类用户突然对“防晒霜”的点击率上升，模型会在几分钟内调整权重。
隐私与技术的平衡
近年来，随着苹果ATT框架和欧盟《数字市场法》的实施，Google正在转向联邦学习和主题API等隐私保护技术。联邦学习允许在用户设备本地训练模型，只上传加密的梯度更新，而不上传原始数据。这意味着精准定向依然可行，但用户画像的构建方式正从“集中式追踪”转向“分布式学习”。
从用户画像到机器学习预测，Google广告的精准定向本质上是统计推断与实时计算的结合。它并不“读心”，而是通过海量行为数据寻找相关性，再用概率模型做出优决策。理解这一过程，不仅能帮助我们看清数字广告的运作逻辑，也能更理性地看待个人数据在其中的角色。
