特征工程：把用户行为变成数字信号
机器学习模型无法直接理解“用户喜欢篮球”或“现在是晚上八点”。因此，特征工程的步是将原始数据转化为数值向量。Google广告系统会提取三类关键特征：用户特征（历史点击率、搜索词、设备类型、地理位置）、广告特征（文案、图片、着陆页质量）以及上下文特征（时间、页面内容、竞争广告数量）。例如，“用户过去一周点击过三次运动鞋广告”会被编码为一个高维稀疏向量中的非零值。更精妙的是交叉特征，比如“iPhone用户+深夜+搜索‘跑鞋’”这样的组合，能捕捉单一特征无法表达的复杂模式。
从逻辑回归到深度神经网络
早期Google广告主要使用逻辑回归模型，因为它计算快、可解释性强。但逻辑回归难以捕捉特征之间的非线性交互。随着数据量爆炸，Google逐步转向深度神经网络（DNN）和因子分解机（FM）。DNN可以自动学习高阶特征组合，比如“年轻女性+美妆视频+周末”对点击率的联合影响。2016年，Google提出Wide & Deep模型，巧妙结合了“宽模型”的记忆能力（直接记住历史高频模式）和“深模型”的泛化能力（推理未见过的组合）。这一架构至今仍是点击率预估的经典范式。
预估点击率：从概率到出价
模型输出的是一个0到1之间的概率值，即预估点击率（pCTR）。但广告系统不仅要预测点击，还要决定是否展示以及出价多少。这里引入了“校准”步骤：由于训练数据中负样本远多于正样本，原始概率往往偏高，需要通过保序回归等方法调整，使预测概率与真实点击频率一致。终，广告排名由“pCTR × 出价”决定。如果模型预测你点击某广告的概率是0.05，而广告主愿意为每次点击支付2美元，那么该广告的期望价值就是0.1美元——高于其他候选广告时，它就会出现在你眼前。
持续学习与隐私平衡
用户兴趣会随时间变化，因此Google采用在线学习，模型每隔几分钟就用新数据更新一次。同时，隐私保护技术如联邦学习正在被探索：用户数据留在本地设备，只上传加密的梯度更新。这既提升了预测精度，又减少了原始数据的集中存储。
从特征工程到深度模型，再到实时竞价，Google广告的精准预测并非魔法，而是一套严谨的算法科学。它让我们看到，每一次点击背后，都是数学与工程学的精密协作。
