搜广推调研及热点技术概览

发表于 分类于 ， 阅读次数： 本文字数： 12k 阅读时长 ≈ 11 分钟

突然更新！这次调研本来是7月份就开始的了，但是一直拖到现在才完成，调研内容主要是从xhs上精选的分享笔记总结而来

学习路径

搜广推简介

该小标题内容来源于小红书博主：早睡特困生 - 小红书

  • 相同点：

    • 整体分层思想一致:都是从海量候选逐层筛选到最终展示;
    • 底层数据架构都用Lambda架构，离线+实时特征共用;*都强依赖个性化建模、用户画像、行为序列建模;
    • 机器学习/深度学习基础模型可以互通复用

  • 不同点：

    • 搜索是基于用户查询给出相关内容，容错低
    • 推荐是基于用户过往的历史记录，猜测其喜好内容，给出推荐
    • 广告是直接关联商业收益，点击、停留、付费，转化链路长，稳定性和容错率都更低

细分：1. 推荐

1.1 核心逻辑

面向无明确搜索、浏览意图的用户(即用户未主动输入需求、未定向访问特定内容分类)，基于用户历史行为(浏览、点赞、评论、收藏、停留时长等)、用户画像(年龄、性别、地域、兴趣标签等)、内容属性(分类、标签、热度、质量等)，实现“猜你喜欢”的个性化内容分发，核心目标是提升用户粘性、延长使用时长，同时实现内容的高效曝光。

无明确需求导向，依赖算法模型的精准预测，兼顾“用户兴趣拟合”与“内容生态平衡”，既让用户看到感兴趣的内容，也避免内容同质化导致的用户疲劳。

1.2 工作链路

推荐链路遵循“从海量筛选到精准呈现”的逻辑，各环节环环相扣，既保证效率(控制算力成本)，又保证效果(贴合用户兴趣)，固定链路为:召回>粗排>精排>重排，各环节的量级层层递减、精度层层提升，具体拆解如下:

(一)量级变化(精准控量，兼顾效率与效果)

全流程量级递减逻辑:从全量内容池出发，通过各环节的筛选、打分、截断，逐步缩小候选内容范围，最终输出符合用户兴及核心目的: 趣、兼具多样性的内容列表，具体量级变化如下：

  • 初始量级:亿级内容(全量内容池，包含平台所有合规发布的内容，涵盖各类分类、热度、质量的内容，是推荐的基础素材库);

  • 召回后:几干条(通常为2000-5000条)，核心目的是“快速圈定候选范围”，避免后续环节处理海量内容导致的算力浪费，同时不遗漏潜在兴趣内容;

  • 粗排后:几百条(通常为300-800条)，核心目的是“轻量筛选、控制规模”，快速剔除明显不符合用户兴趣的内容，为精排环节减负;

  • 精排后:百级内容(通常为80-150条)，核心目的是“精准打分、聚焦核心兴趣”，筛选出用户最可能感兴趣的内容，是推荐效果的核心保障;

  • 重排后:几十条(通常为20-50条)，核心目的是“优化呈现、提升体验”，通过调整顺序、打散多样性，最终呈现给用户，适配用户单次浏览的内容承载量。

(二)各环节详细拆解 1. 召回:海量内容的“初步筛选”

  **核心定义**:从亿级全量内容池中，基于:用户相关特征，快速捞出用户可能感兴趣的候选内容，核心关键词是“快速、广覆盖、不遗漏”，不追求精准度，只追求“把潜在兴趣内容都圈进来”
  **技术要点**:
     * 核心依赖:基于协同过滤(用户相似、内容相似)、内容特征匹配(用户兴趣标签与内容标签匹配)、行为召回(用户历史浏览、点赞、收藏过的内容同类推荐)、热门召回(补充平台热门内容，避免冷启动问题)等多种召回策略组合，确保候选内容的多样性和覆盖度;
     * 冷启动处理:针对新用户(无历史行为)、新内容(无曝光数据)，通过基础用户画像(如注册时填写的兴趣)、内容基础标签，进行初始召回，保障冷启动阶段的推荐效果。
     * 作用价值:解决“亿级内容无法直接处理”的问题，快速缩小候选范围，为后续环节提供高质量的基础素材，避免因筛选范围过小导致的兴趣遗漏，同时控制后续环节的算力成本。
  1. 粗排:候选内容的“快速瘦身” 核心定义:对召回环节输出的几千条候选内容，采用轻量模型进行快速打分，根据分数进行截断，筛选出几百条更贴合用户兴趣的内容，核心关键词是“轻量、快速、控规模”，平衡效率与初步精准度。

​ 技术要点: 模型特点:采用轻参数量模型(如逻辑回归、简单神经网络)，不投入过多算力，重点关注核心特征(如用户兴趣标签与内容标签的匹配度、用户历史行为与内容的相似度)，快速输出打分结果;

    打分逻辑:基于用户特征(兴趣、行为)、内容特征(标签、分类、质量分).场景特征(当前时间、用户所处地域)，给每条候选内容赋予一个“兴趣匹配分”，分数越高，代表用户越可能感兴趣;

​ 截断规则:根据预设的量级要求(如保留300-800条)，对打分后的内容按分数从高到低排序，截取前N条进入精排环节，同时可设置最低分数阈值，剔除分数过低、明显不符合用户兴趣的内容。

​ 作用价值:承接召回环节的候选内容，通过轻量打分实现“快速瘦身”，减少精排环节的处理量，控制整体算力成本，同时进一步筛选出更具潜力的候选内容，为精排环节聚焦核心兴趣打下基础。

  1. 精排: 推荐效果的“核心决策” 核心定义:对粗排输出的几百条候选内容，采用大参数量神经网络模型进行精细打分，精准拟合用户真实兴趣，是整个推荐链路中投入资源最多、精准度最高的环节，核心关键词是“精准、深度、高投入”

      **技术要点:**
    • 模型特点:采用大参数量深度神经网络(如DeepFMWide&DeepTransformer等)，可捕捉用户的深层兴趣(如隐性兴趣、长期兴趣与短期兴趣的结合)，同时融合多维度特征，提升打分的精准度;
    • 特征维度:融合用户全量特征(历史行为、兴趣标签、画像信息、消费习惯)、内容全量特征(标签、分类、标题、封面、内容质量、创作者信息)、场景特征(浏览时间、设备类型、网络环境)、交互特征(内容的历史曝光、点击率、完播率)等，全方位刻画用户与内容的匹配度;
    • 打分逻辑:不仅关注“用户是否感兴趣”，还会结合内容质量、合规性、用户历史交互偏好(如喜欢长内容还是短内容、喜欢图文还是视频)，输出更精准的“兴趣优先级分数”，分数越高，推荐优先级越高。
    • 作用价值:核心决定推荐效果，精准筛选出用户最可能感兴趣的内容，提升用户点击、停留、互动的概率，是“猜你喜欢”能够贴合用户需求的核心保障，直接影响后续的核心指标表现。

  2. 重排:用户体验的“最终优化” 核心定义:对精排输出的百级内容，不单纯按分数排序，而是通过调整顺序、打散多样性、去同质化、兼顾生态扶持等操作，优化内容呈现顺序，提升用户浏览体验，平台生态。 技术要点及核心操作:

    • 顺序调整:不完全按照精排分数从高到低排序，而是结合用户实时行为(如当前浏览的内容类型、停留时长)，微调顺序，例如用户刚浏览完一条美食内容，可适当提升 后续美食内容的优先级，但避免过度集中;

    • 多样性打散:核心解决“内容同质化”问题，通过标签打散、分类打散(如避免连续推荐同一分类、同一创作者的内容)、热度打散(平衡热门内容与中长尾内容)，确保推荐列表的多样性，避免用户产生浏览疲劳;

    • 去同质化:剔除重复或高度相似的内容(如同一内容的不同版本、相似主题的内容)，确保每条推荐内容的独特性，提升用户浏览的新鲜感;

    • 生态扶持:兼顾平台生态平衡，适当提升优质中长尾创作者、新创作者的内容优先级，避免头部内容、头部创作者垄断推荐位，同时扶持小众分类内容，丰富平台内容生态，实现长期可持续发展;

    • 合规校验:最后一道合规把关，剔除违规、低俗、不符合平台规则的内容，确保推荐内容的合规性，同时避免敏感内容曝光。

    • 作用价值:优化用户最终浏览体验，避免同质化带来的用户流失，同时平衡平台生态，兼顾短期用户体验与长期生态发展，让推荐列表既“精准”又“丰富”，既贴合用户兴趣，又能让用户发现新的兴趣点。

1.3 核心指标

围绕用户粘性、内容曝光、留存展开，核心指标及意义如下:

  • DAU/MAU:反映用户活跃度与长期粘性，比值越高，用户活跃频次越高;

  • 使用时长:包括人均单日使用时长、人均单次使用时长。指标意义:最直接反映用户对推荐内容的兴趣度，推荐内容越贴合用户需求、多样性越好，用户停留时间越长，说明推荐效果越好，同时也能提升平台的广告、变现潜力;

  • 人均阅读(或人均浏览)量:指每日/每月，人均浏览的推荐内容条数。指标意义:反映推荐内容的“吸引力强度”，人均阅读量越高，说明用户对推荐列表的认可度越高，每条内容的点击、停留概率越高，推荐的精准度和多样性达标;

  • 发布渗透率:指平台发布的内容中，被推荐曝光的内容占比(或被用户浏览到的内容占比)。指标意义:反映推荐链路的“内容覆盖度”，渗透率越高，说明中长尾内容、新内容的曝光机会越多，平台内容生态越健康，避免内容浪费;

  • 7日留存率:指新用户注册后，7天后仍活跃的用户占比(或老用户7天后仍继续使用平台的占比)。指标意义:反映推荐内容对用户的长期留存能力，7日留存率越高，说明推荐内容能够持续贴合用户兴趣，用户愿意长期使用平台，减少用户流失;

  • 30日留存率:指新用户注册后，30天后仍活跃的用户占比(或老用户30天后仍继续使用平台的占比)。指标意义:反映平台的长期用户粘性和推荐模式的可持续性，30日留存率越高，说明推荐策略能够持续适配用户兴趣变化，平台的长期发展潜力越强。

    补充说明:各指标并非孤立存在，例如使用时长提升会带动DAU、人均阅读量提升，而发布渗透率提升会促进内容生态平衡，进而提升长期留存率，推荐策略的优化需兼顾所有核心指标，实现整体效果最优。

下面两张图博客可能加载不出来……

image-20260717104910872

细分：2. 搜索

2.1 核心定位

核心:搜索的核心是用户主动输入Query(搜索关键词)，基于用户强需求意图，实现“精准匹配、答有所问”，不照搬推荐链路的粗排、精排、重排逻辑，有专属的搜索流程，核心追求是“准、相关、贴合用户明确需求”，杜绝无关内容干扰，确保用户快速找到目标内容。

核心差异: 推荐是“被动猜兴趣”，搜索是“主动找答案”;推荐侧重多样性与生态平衡，搜索侧重精准度与需求满足，二者链路逻辑、核心目标完全不同。

2.2 搜索标准链路

搜索链路固定为:Query理解>索引召回>相关性排序>业务调优，全程围绕“精准匹配用户主动需求”展开，各环节各司其职、层层递进，无推荐意义上的粗排、精排、重排环节，具体拆解如下:

1. Query理解:搜索的“前置核心环节” 核心作用:将用户输入的Query(可能存在拼写错误、表述模糊、语义不明确等问题)进行标准化处理，精准捕捉用户真实需求，为后续召回、排序提供明确方向，是搜索精准度的基础，属于自然语言理解(NLU)的核心应用范畴，部分环节会涉及自然语言生成(NLG)方法。

具体操作: 分词:将用户输入的完整Query切分成多个有意义的关键词(如“如何快速搭建测试环境”切分为“快速、搭建、测试环境”)，分词粒度需与内容索引的分词粒度保持一致，确保后续召回有效，常用分词工具包括Jieba、百度LAC等;

纠错:自动识别并修正Query中的拼写错误、输入误(如“appel” 修正为“apple”、“机器学习”误输为“机器学系”)，避免因输入错误导致召回偏差;

改写:将模糊、口语化的Query改写为标准化、精准化的表述(如“手机哪个好”改写为“高性价比手机推荐”)，同时可进行Query扩展，辅助提升召回覆盖率;

语义归一:将同义、近义的Query统一为同一语义(如“电脑”与“计算机”、“快速”与“高效”归一为同一检索语义)，解决传统检索中同义词、近义词无法匹配的问题; 意图识别:精准判断用户输入Query的核心需求(如“苹果”需区分是“苹果公司”还是“水果苹果”，“深度学习”需区分是“教程”还是“岗位招聘”)，同时识别Query的时效性、权威性需求，为后续排序提供依据。

2. 索引召回:海量内容的“精准筛选”

核心作用:基于Query理解后的标准化关键词，从亿级全量内容池中，快速捞出与用户需求高度相关的候选内容，核心关键词是“精准、高效”，区别于推荐召回的“广覆盖”，搜索召回更侧重“相关性筛选”，避免无关内容进入后续环节。

核心方法:

倒排索引:传统核心索引方式，将内容中的关键词与内容本身建立映射关系(如关键词“Python教程”对应所有包含该关键词的文档)，可快速根据Query关键词匹配对应内容，但仅能实现字面关键词匹配，无法处理语义相关的内容; 语义向量索引:AI时代的核心索引方式，将Query和内容均映射为高维向量，通过计算向量相似度(余弦、欧氏距离等)，召回语义相似的内容(如Query“如何学习Python”可召回“Python入门教程”)，解决传统倒排索引的语义漂移问题，常用Embedding模型包括BGE、M3E等，适配不同搜索场景。

补充:两种索引方式结合使用，既保证字面匹配的精准性，又兼顾语义匹配的全面性，确保召回内容的相关性，同时控制召回量级(通常为几百条)，为后续排序环节减负。

3. 相关性排序:搜索效果的“核心决策环节” 核心作用:对索引召回的候选内容进行排序，核心原则是“谁更贴合用户需求，谁排更前”，不依赖推荐的重排逻辑，排序核心围绕“相关性”展开，同时兼顾多维度因素，确保用户第一眼看到最匹配的内容。

排序核心维度(优先级从高到低):

  • 文本相关性:Query关键词与内容标题、核心内容的字面匹配度(如Query“Java基础”优先排序标题包含该关键词、内容聚焦Java基础的内容)，常用算法包括TF-IDF、BM25等，其中BM25是TF-IDF的升级版，可兼顾文档长度归一化;

  • 语义匹配:Query与内容的深层语义相似度，不局限于字面关键词，而是理解内容核心含义与用户需求的契合度(如Query“解决电脑卡顿”，可排序内容核心是“电脑卡顿原因及解决方法”的内容)，常用模型包括Word2Vec、BERT等，其中BERT可精准理解上下文语义，避免歧义;

  • 权威度:内容的可信度、创作者的权威性(如官方发布内容、行业专家创作内容、权威机构输出内容，优先排序)，确保用户获取高质量、可靠的信息;

  • 时效性:针对有时间需求的Query(如“2026年最新政策”“近期热门电影”)，优先排序最新发布、更新的内容，确保内容的时效性，满足用户即时需求。

4.业务调优:搜索体验的“最终优化环节”

核心作用:在相关性排序的基础上，结合平台业务规则，对排序结果进行微调，优化用户搜索体验，同时保障平台内容质量与业务合规，不改变核心排序逻辑，仅做细节优化。

具体操作: 去低质:剔除低质量、无价值的内容(如抄袭、拼凑、广告堆砌、仅为盈利无实际价值的内容)，参考搜索质量评估标准，确保搜索结果的质量，避免干扰用户;

控重复:剔除重复或高度相似的内容(如同一内容的不同版本、搬运内容)，避免搜索结果同质化，提升用户浏览效率，可支持对用户近期行为相关内容进行精准去重;

置顶官方内容:针对官方发布、平台重点扶持的内容(如平台公告、官方教程、权威解读)，在相关性达标的前提下，适当置顶，确保用户优先获取权威信息;

规则干预:结合平台业务需求，进行灵活的规则调整(如敏感内容屏蔽、违规内容下架、特定场景内容优先展示)，快速响应业务需求，处理搜索的异常情况。

2.3 核心指标

搜索核心指标围绕“用户是否快速找到目标内容”展开，直接反映搜索精准度与用户体验，具体指标及意义如下:

搜索跳出率:用户搜索后，未点击任何搜索结果就退出搜索页面的比例，跳出率越低，说明搜索结果相关性越高，用户能找到感兴趣的内容；

二次搜索率:用户搜索一次后，未找到满意结果，再次输入Query进行搜索的比例，二次搜索率越低，说明首次搜索满足度越高，精准度越 好；

点击满意度:用户点击搜索结果后，对内容的满意程度(可通过停留时长、收藏、点赞等行为判断)，满意度越高，说明搜索结果与用户需求的契合度越高；

首屏满足度:用户无需翻页，仅通过搜索结果首屏(前10条左右)就能找到目标内容的比例，首屏满足度越高，说明排序越精准，用户获取信息的效率越高； Query覆盖率:用户输入的Query，能召回有效相关内容的比例，覆盖率越高，说明搜索系统能覆盖更多用户需求，避免出现“无结果”或“结果无关”的情况。

补充:各指标相互关联，核心目标是降低跳出率、二次搜索率，提升点击满意度、首屏满足度和Query覆盖率，最终实现“答有所问”的核心追求。

image-20260717114016909

细分：3. 广告

3.1 核心定位

核心:区别于推荐“猜兴趣、提粘性”、搜索“解需求、答所问”的核心目标，广告篇的核心是商业变现，核心逻辑是在不严重损害用户体验的前提下，实现平台广告收益最大化，同时兼顾广告主的转化需求，三者缺一不可。广告链路与搜推链路完全不同，不套用推荐的粗排/精排/重排逻辑，也不遵循搜索的“相关性优先”逻辑，核心特点是多了竞价机制、ECPM核算及约束性风控，核心追求是“用户体验+平台收益+广告主转化”三方平衡，而非单一维度的最优。

核心差异:

推荐、搜索以“用户需求”为核心，广告以“商业变现”为核心，同时受广告主出价、转化效果、用户体验约束;

搜推侧重内容与用户的匹配度，广告侧重“用户价值、广告主出价、转化潜力”的综合权衡，三者链路逻辑、核心目标、优化方向完全不同，不可混淆套用。

3.2 广告专属链路

广告链路固定为:广告定向召回->预估打分->竞价排序->频次控制&风控，全程围绕“三方平衡”展开，各环节层层递进，既保障广告精准触达，又控制广告骚扰，同时实现平台与广告主的双赢，具体拆解如下:

1.广告定向召回:广告池的“精准圈选环节” 核心作用:区别于推荐召回的“广覆盖、猜兴趣”和搜索召回的“强相关、解需求”，广告定向召回的核心是“精准圈选可投放广告池”，基于广告主的定向需求，从全量广告库中，筛选出符合投放条件的广告候选，确保广告触达目标人群，避免无效投放，同时控制召回量级，为后续预估、竞价环节减负。

核心定向维度(结合广告主需求与用户特征)

  • 人群定向:广告主指定的目标人群属性，包括年龄、性别、地域、学历、职业、收入水平等(如广告主投放母婴产品，定向25-35岁有育儿需求的女性);
  • 兴趣定向:基于用户历史行为(浏览、点击、收藏、购买等)，圈选具有对应兴趣标签的用户(如用户经常浏览数码内容，定向投放数码类广告)，同时可结合广告主行业属性，匹配相关兴趣人群;
  • 行业定向:根据广告主所属行业(如电商、教育、金融、游戏等)，筛选出适合该行业广告投放的用户场景(如教育类广告优先定向有学习需求、年龄适配的用户);
  • 场景定向:结合用户当前使用场景(如首页推荐、搜索结果页、内容详情页)，筛选出适合该场景投放的广告(如搜索结果页优先投放与搜索Query相关的广告，减少用户干扰);
  • 投放约束定向:结合广告主的投放预算、投放时段、投放地域限制，筛选出符合约束条件的广告(如广告主仅投放北京地区、每日预算10万元，召回时剔除超出约束的广告)。

补充:召回量级通常控制在几百条以内，既保证有足够的广告候选参与竞价，又避免过多广告增加后续环节的算力消耗，同时确保广告与目标人群的基础匹配度。

2.预估模块:广告价值的“精准评估环节”

  • CTR(点击率)预估:预估用户看到该广告后，点击广告的概率，核心影响因素包括广告创意(标题、封面、文案)、用户兴趣与广告的匹配度、广告投放场景等，常用模型包括LR、XGBoost、DeepFM、Transformer等，通过用户历史点击数据、广告特征，训练模型精准预测点击率;

  • CVR(转化率)预估:预估用户点击广告后，完成广告主设定的转化目标(如购买、注册、留资、下载等)的概率，核心影响因素包括广告落地页质量、产品性价比、用户需求与广告产品的契合度等，模型与CTR预估类似，但特征更侧重转化相关数据(如用户历史转化行为、落地页特征);

  • 深度转化预估:针对广告主的深层转化需求(如电商广告的“付款”、教育广告的“课程报名”)，预估用户完成深层转化的概率，区别于浅层转化(如点击、留资)，深度转化预估更精准，可帮助广告主筛选出高价值用户，提升广告投放ROI(投资回报率)，常用模型包括多任务学习模型，同时拟合浅层和深层转化目标。

补充:预估结果会直接参与后续ECPM的计算，预估准确率越高，广告排序越合理，越能实现“高转化、高收益、低骚扰”的目标。

3.竞价排序:广告展示权的“核心分配环节”

  • 核心作用:区别于推荐的“兴趣打分排序”、搜索的“相关性排序”，广告排序的核心是“竞价机制”，通过计算ECPM(有效干次曝光收益)，对广告候选进行排序，ECPM越高，广告获得展示的优先级越高，核心逻辑是“谁能给平台带来更高的收益，同时兼顾转化效果，谁就优先展示”，而非单纯看用户兴趣。

  • 核心逻辑与关键说明: ECPM核心计算公式 \[ ECPM=出价(广告主愿意为单次点击支付的费用)*CTR(预估点击率)*1000 \]

    本质是“平台每1000次曝光能获得的预期收益”，兼顾了广告主出价和广告转化潜力

  • 竞价规则:广告主根据自身需求设定出价(如单次点击出价1元)，系统结合预估CTR，计算出每条广告的ECPM，按ECPM从高到低排序，优先展示ECPM高的广告，确保平台收益最大化;

  • 排序兼顾因素:不单纯看ECPM，还会兼顾广告与用户的匹配度、广告创意质量，避免出现“高出价但与用户无关”的广告频繁展示，损害用户体验;同时会结合广告主的预算，避免某一条广告独占所有展示位，保障广告生态平衡;

  • 实时调整:竞价排序是实时进行的，随着用户行为变化、广告主出价调整、预估模型更新，ECPM会实时变化，广告排序也会随之调整，确保排序的动态合理性。

4. 后置调控:三方平衡的“最终保障环节”

核心作用:在竞价排序后，对广告展示进行后置调控，核心目标是“控制广告骚扰、防范风险、保护用户体验”，同时保障广告主投放合规、平台收益稳定，是广告链路的“最后一道防线”，不改变竞价排序的核心结果，仅做约束性调整。

核心调控内容(分为频次控制和风控两大模块)：

  • 频次控制(防骚扰):控制单个用户对同一条广告、同一类广告的曝光频次(如单个用户每日最多看到同一条广告3次、同一类广告5次)，避免广告过度曝光导致用户反感、流失;同时控制整体广告曝光占比(如首页推荐中广告占比不超过20%)，平衡内容与广告的展示比例，保障用户正常使用体验;
  • 风控作弊(防违规、防作弊):防范广告主作弊行为(如虚假点击、虚假转化、恶意刷量)，通过技术手段识别异常行为(如同一设备短时间内多次点击广告)，扣除作弊产生的收益，甚至下架违规广告;同时防范广告内容违规(如低俗、虚假宣传、违规产品广告)，确保广告投放合规，保护平台口碑;
  • 体验保护:对用户反馈较差、点击后快速退出率极高的广告，适当降低其展示优先级，甚至暂停投放;对广告创意劣质、落地页异常的广告，进行拦截，避免影响用户体验;
  • 投放约束调整:结合平台业务规则，对广告展示进行灵活调整(如敏感时段减少广告投放、特定场景限制某些行业广告投放)，同时保障广告主的投放权益，避免过度调控影响广告收益。

3.3 核心指标

广告核心指标围绕“平台收益、广告主转化、用户体验”三大维度展开，各指标相互约束、相互影响，最终实现三方平衡，具体指标及意义如下:

  • CTR(点击率):用户看到广告后点击的比例，是广告吸引力、用户匹配度的核心体现，CTR越高，说明广告越贴合用户需求、创意越优质，同时也能提升ECPM和平台收益;

  • CVR(转化率):用户点击广告后完成转化目标的比例，是广告主最核心的指标，CVR越高，说明广告转化效果越好，广告主投放ROI越高，平台对广告主的吸引力 越强;

  • ECPM(有效千次曝光收益):平台每干次广告曝光能获得的预期收益，是广告排序的核心依据，也是平台广告收益的核心衡量指标，ECPM越高，平台单位曝光的收益越高;

  • 广告收入:平台通过广告投放获得的实际收益，是广告篇的核心商业目标，受ECPM、广告曝光量、广告点击量、转化效果等多因素影响;

  • 转化成本(CPA/CPC):广告主为获得一次转化(CPA)或一次点击(CPC)所支付的费用，转化成本越低，广告主投放性价比越高，平台的广告竞争力越强;其中CPC(单次点击成本)=广告主出价，CPA(单次转化成本)=出价÷CVR;

  • 留存负向影响率:广告投放对用户留存的负面影响比例(如投放广告后，用户7日留存率下降的比例)，是衡量用户体验的核心指标，留存负向影响率越低，说明广告投放对用户体验的干扰越小，越能实现三方平衡。

    补充:各指标相互约束，例如提高广告主出价可提升ECPM和平台收益，但可能导致转化成本上升;增加广告曝光量可提升广告收入，但可能导致留存负向影响率上升。广告优化的核心的是找到三者的平衡点，实现“用户体验不下降、平台收益提升、广告主转化达标”。

书籍

  1. 《互联网推荐算法实习》
  2. 《计算广告》

课程

  1. 王树森 B站网课

  2. 深度学习或者机器学习的网课，之后才是cs336或者其它优质课程

项目

  1. 项目例子 https://www.xiaohongshu.com/user/profile/64427a56000000002a008f8f/6a0c679300000000060359d9?xsec_token=ABTxDE4ewlNAUulqz6W3RTpsZudTzXXiVdL38kPyUzrR0=&xsec_source=pc_collect

    image-20260715154000155

    上面第二个项目包含onerec

目标

  1. 两到三段有含金量的实习
  2. 独到的业务理解：例如，广告的计费模式、出价机制、广告位debias、模型的rankmixer、mfu、scaling law

交叉

在传统推荐实习的话，可以赶紧找以下领域的实习：

1️⃣超长行为序列建模

2️⃣搜广推模型scaling

3️⃣llm4Rec

4️⃣生成式

5️⃣llm/mllm领域相关（强烈推荐agent逃离搜广推）等其它前沿岗位，也可以找核心场景的传统搜广推实习用于当作跳板。

是分为两类:

  1. 抛开传统搜推来说，目前LLM4REC主要还是大模型融入现有链路做迭代升级，融合程度有浅有深，比如生成式
  2. Al naive赋能业务，纯lm技术+搜广推业务场景，比如Agent

生成式：

一般都是ToC，并且一般水位较高，对于校招生而言复杂核心场域高水位做出成绩来收获的成长一定多很多，但与此同时也要担心“做不出来”。目前局部scale up是有效的，主要是召回粗排阶段，包括被视为开山之作的Tiger也是做的召回，我理解为传统召回粗排的弱点都是生成式的强项(候选池大小、耗时、长尾候选、泛化..)，实现局部scalingup。这方面主流选择是作为一路增量进入后续精排并非完全取代。而精排阶段似乎一直没有很solid的方法(看过一些所谓的生成式排序感觉水文痕迹较重)，我找业界的老师请教过，综合给出的答案包括精排任务想和大模型完全对齐本身就比较冲突、精排水位最高、资源消耗大等，现阶段比较好的方案应该还是引入类似rankmixer那样的架构去实现scalingup，本质是判别式。如果走端到端的路线，onerec是一种方案但一直争议不断，实际效果似乎处于一种玄学状态且推全存在较大阻力。

对于llm选手而言，选择生成式依然会有sft啊rhf之类的实践。但不同于llm，在搜广推里考核指标偏硬性(点击转化等)，从离线强做到上线上强的难度个人感觉要比大模型应用刷benchmark更大。因此需要结合实际业务场景解决具体的问题(比如码本利用率，耗时等)，而在这部分花的时间可能会多很多。再一个，无论是因为多年积累，人员架构，效率成本，还是本身生成式的有待提升，传统推荐依然存在且会持续存在，或许有一天传统推荐真的会被完全替代(我个人想法偏激进)，但不会很快也不一定是生成式。选择这条路，归根到底是业务导向，个人发展上推荐排在m之前。也许有一天m不火了又出来个其他的东西，那么技术路线又会转到那上面去，说不定搞出些什么量子推荐阿巴阿巴的。因此在最一线的llm领域跟进上会逊色转而融入更多搜广推的领域知识，但却需要博采众长成为某种意义的六边形战士(怎么不算一种抗风险

Agent：

这种业务就不限了，Tob Toc都有，相对而言如果不是toc在这个领域会差一点点。且一般来说考核指标不会非常硬性。因为在搜广推的部门里去做ai-native的建设本身就属于创新尝试，往往会给予更多的包容，资源和重视。早期okr可能以接需求和做基建为主。但问题是如果做了很久都做不出来东西，延展面会小很多。做的是agent，但是往其他领域agent去跳可能跟搜广推相关性不高;往偏传统搜广推链路上去活又缺乏相关实践。所以这是一个上下限都很高的方向。好处自不必多说，做出来了nb，一直跟进前沿的llm应用，技术上从agentic rl到skill harness到opd什么火就试什么，心理上有一种赶上风口llm从业者的爽感(人之常情)。但要是一直做不出来能会被整组毙掉尤其是在薪资title都相近的情况下，真是一个很难选择的事情