CTR 预估模型

投放广告时，运营经常会遇到这样的情况：同一条素材，在不同 App、广告位和时段，点击表现差别很大。用一个固定价格购买所有流量，容易在效果一般的地方花得太多，又错过更有价值的展示机会。

CTR 预估让 DSP 在每次出价前，多一个判断依据：这条广告如果展示出来，大概有多少概率被点击。 系统再结合广告目标、预算和价格限制，决定选哪条广告、是否参与竞价，以及愿意出多少钱。

理解它如何应用，不必先研究神经网络。沿着一次广告请求，看看数据怎么来、预测怎么用、结果怎么回流，就能掌握这套系统的工作方式。

一、从一次广告请求，看 CTR 预估的位置

当一个 App 准备展示广告时，会通过广告交易平台向 DSP 发送请求。请求通常会描述广告位、媒体、设备、地区等信息，但不同流量方提供的完整程度并不一样。

DSP 收到请求后，需要在对方规定的时限内完成判断。CTR 预估只是其中一步，前后还有广告筛选、预算检查和竞价决策。

一次广告机会 · 从请求到效果回流

回流数据用于评估和更新模型，支持后续预测。

例如，一次请求来自某个游戏 App 的视频广告位。DSP 先排除不符合地区定向、素材规格或预算条件的广告，再为剩下的候选广告估计点击概率。如果候选很多，也可以先做粗筛，再对少量候选调用模型，控制耗时。

预估结果必须与具体候选广告对应。同一个广告位，换一条素材，点击概率也可能变化，因此不能简单给这次请求算一个分数，就不加区分地套用到所有广告上。

还要注意，赢得竞价只是获得展示机会。后续可能发生加载失败或用户离开，最终是否展示，要以实际展示事件为准。

系统需要把一次展示与后续点击关联起来。发生有效点击，记为点击样本；经过约定的观察时间、确认事件回流完整后仍没有点击，记为未点击样本。

没有参与竞价、没有赢得竞价，以及赢了但没有展示，都不能直接算作“展示后未点击”。重复上报的点击也需要去重。否则模型学到的就是错误的点击规律。

对运营来说，这里有一个很实用的判断：如果某个渠道的点击突然大幅下降，先确认回传是否延迟、统计口径是否变化、落地链路是否异常，再判断素材或模型是否失效。

工程侧会把请求与广告信息整理成模型能识别的输入。它们在机器学习里叫“特征”，可以理解为判断一次机会时所参考的条件。

这些信息必须在出价前可获得。本次广告展示后的观看时长、点击结果，不能反过来用于预测本次点击。历史统计也只能使用当时已经回流的数据。

训练和在线服务还必须对同一个字段有相同理解。例如，训练时某个广告位编号对应 A 广告位，线上也必须对应 A；时区、缺失值处理和设备解析规则同样需要一致。接口能返回数字，不代表输入一定正确。