计算广告算法和工程

背景介绍 移动广告场景中的ID-Mapping 移动广告场景中的广告投放过程一般会涉及多个应用，例如，某款游戏分别在3个应用中投放广告，这3个应用分别是某款社交应用、某款短视频应用和某款游戏社区应用，

概述 笔者梳理的《基于PID控制器的自动出价》介绍了程序化广告场景中DSP在对接ADX时进行广告投放的流程，如图1所示。该程序化广告投放流程即实时竞价（Real Time Bidding，RTB）。当

概述 笔者梳理的《PID控制器原理及在预算平滑中的应用》介绍了PID控制器的原理和在计算广告预算平滑场景下的应用，其实在计算广告中还有很多场景应用了PID控制器。只要某对控制变量和被控制变量较难提前根

计算广告中，广告主在投放广告时一般会在广告的推广层级（例如计划）上设置天级预算，广告投放系统需要保证广告主的计划在一天中的实际消耗不超过预算，另外，为了让广告主的计划中的广告在每天的各个时段尽可能触达

Agent是一个由来已久的概念，其可以表示一个能够感知环境、做出决策并采取行动的系统。在大语言模型横空出世之前，Agent的研究与应用已经经历了长期的发展，最近一个发展的高潮是基于强化学习的Agent

总体 《深度学习在计算广告中的应用》 召回 《广告召回论文阅读笔记（1）-双塔模型》 《广告召回论文阅读笔记（2）-从TDM到二向箔》 粗排 《广告粗排相关论文阅读笔记》 点击率预估 《点击率预估论文

广告主在投放效果广告时，会对广告流量设置一定的出价，而广告平台会基于多个广告主的出价进行广告流量的竞价，对竞价胜出的广告主，在广告流量上展示其广告，并进行计费。随着效果广告业务和技术的不断发展，

笔者在《深度学习在计算广告中的应用》一文中较体系化地介绍了效果广告整体投放流程以及深度学习在流程各环节中的应用，其中，排序环节会使用模型预估点击率、转化率，并使用以下公式计算

随着机器学习、特别是深度学习的不断发展，其广泛应用于计算广告投放流程的各个阶段。笔者最近对深度学习在计算广告中应用的相关论文进行阅读和梳理，本文是对相关阅读笔记的汇总。文末附录了相关阅读笔记的地址，也

书接上回《多任务学习、多场景学习相关论文阅读笔记（1）》，上一篇主要是多任务学习数篇相关论文的阅读笔记，这一篇主要是多场景学习数篇相关论文的阅读笔记，如有不足之处，请指正。 多任务学习、多场景学习的主

多任务学习（Multi-Task Learning，MTL）是一种机器学习方法，其对多个不同类型的任务进行联合学习，相比于对多个任务分别单独建模进行学习，多任务学习可以通过共享模型参数减少整体参数量，

书接上回《基于强化学习的自动出价论文阅读笔记（2）》。上一篇笔记介绍了带约束自动出价统一方案——USCB和个性化自动出价方案——PerBid。USCB对各种类型约束下的自动出价进行统一建模，推导出通用

书接上回《基于强化学习的自动出价论文阅读笔记（1）》。上一篇笔记介绍了基于无模型强化学习的自动出价算法-DRLB，该算法构建自动出价智能体，先将其应用在离线训练环境中、与仿真竞价系统交互，收集数据，进

广告主在投放效果广告时，会对广告流量设置一定的出价，而广告平台会基于多个广告主的出价进行广告流量的竞价，对竞价胜出的广告主，在广告流量上展示其广告，并进行计费。随着效果广告业务和技术的不断发展，

虽然上一篇阅读笔记中介绍的多个基于深度学习的算法较充分地挖掘了转化路径中的各类信息，但并没有解决混杂偏差。而在多触点归因问题中，用户的静态特征和历史行为作为混杂因子，同时影响后续触点的渠道选择以及最终

为突破双塔模型效果天花板，在保证低延时从海量数据实现召回的前提下，提升模型表达能力，近几年多篇论文在索引和模型的充分结合和联合优化上开展了大量工作，引入树、图等索引结构，通过模型实时计算用户和广告（商

随着机器学习、特别是深度学习的不断发展，其广泛应用于广告投放流程的各个阶段。目前召回阶段一般采用多路召回方式，其中除上述传统召回方式外，还会同时引入深度学习进行召回。深度学习应用于召回的一种常用方式是

在线广告投放流程 效果类在线广告投放平台一方面承接众多广告主的投放诉求，存储数百万甚至更多的广告物料

《基于深度学习的广告拍卖机制论文阅读笔记（1）》 《基于深度学习的广告拍卖机制论文阅读笔记（2）》 基于深度学习的广告拍卖机制 DNA 书接上回，《Neural Auction: End-to-End

反馈延迟建模是效果广告领域的一个常见问题。在效果广告领域中，随着广告主愈加关注后链路转化效果，其偏向采用oCPC方式进行广告投放，即在转化（如下载、安装、激活、付费、加购、下单等）上进行出价，由广告平