点击率预测：广告排序的核心指标
点击率（CTR）是广告被点击次数与展示次数的比值。对Bing而言，准确预测CTR意味着两件事：一是把用户可能感兴趣的广告放在显眼位置，提升搜索体验；二是通过竞价机制为平台创造合理收入。如果预测偏差过大，要么用户被无关广告骚扰，要么广告主花冤枉钱，平台也会流失信任。
从逻辑回归到深度神经网络
早期Bing的CTR预测模型以逻辑回归为主。它把用户特征（如搜索词、历史点击）、广告特征（如标题、落地页质量）和上下文特征（如时间、设备）拼接成一个高维向量，通过加权求和后送入Sigmoid函数，输出一个0到1之间的点击概率。这种方法简单高效，但难以捕捉特征之间的非线性交互，比如“深夜+手机端+本地服务”这类组合模式。
随着数据量和算力提升，Bing逐步引入了梯度提升决策树（GBDT）和深度神经网络（DNN）。DNN可以自动学习高阶特征交叉，例如将用户搜索“廉价机票”与广告中“限时折扣”的语义关联起来。近年来，注意力机制和Transformer结构也被用于建模用户历史行为序列，让预测更贴近实时意图。
竞价排名：预测概率如何变成收入
有了CTR预测值，Bing采用广义第二价格拍卖（GSP）机制进行排序。排序分数通常等于“广告出价 × 预测CTR”。出价高但CTR预测低的广告，排名可能低于出价低但预测CTR高的广告。计费时，广告主只需支付刚好超过下一名广告排序分数所需的低金额。这种设计鼓励广告主诚实出价，同时让平台收入与用户体验趋于一致。
挑战与演进
CTR预测面临数据稀疏、位置偏差和反馈延迟等难题。例如，排在底部的广告天然点击少，模型容易低估其真实吸引力。Bing通过引入反事实推理和在线学习来缓解偏差，并利用强化学习动态调整排序策略。未来，随着隐私计算和联邦学习的应用，预测模型有望在保护用户数据的前提下持续优化。
从逻辑回归到深度网络，从GSP到强化学习，Bing广告的点击率预测本质上是在“用户想点”与“广告主想投”之间寻找动态平衡。每一次搜索结果的呈现，都是机器学习与经济学机制共同作用的结果。
