广告投放流程：召回、粗排、精排与调价

广告投放整体流程概览

flowchart LR
    subgraph B[DSP]
        direction LR
        R[召回]
        C1[粗排]
        F[精排]
        P[调价
pBidPrice]
        R -- 1w --> C1 -- 1k --> F -- 个位数 --> P
    end

    A[广告主] -- 100w --> B
    B --> C[ADX]
    C --> D[SSP / 媒体]
    D --> E[用户]

flowchart LR
    subgraph B[DSP]
        direction LR
        R[召回]
        C1[粗排]
        F[精排]
        P[调价
pBidPrice]
        R -- 1w --> C1 -- 1k --> F -- 个位数 --> P
    end

    A[广告主] -- 100w --> B
    B --> C[ADX]
    C --> D[SSP / 媒体]
    D --> E[用户]

flowchart LR
    subgraph B[DSP]
        direction LR
        R[召回]
        C1[粗排]
        F[精排]
        P[调价
pBidPrice]
        R -- 1w --> C1 -- 1k --> F -- 个位数 --> P
    end

    A[广告主] -- 100w --> B
    B --> C[ADX]
    C --> D[SSP / 媒体]
    D --> E[用户]

flowchart LR
    subgraph B[DSP]
        direction LR
        R[召回]
        C1[粗排]
        F[精排]
        P[调价<br/>pBidPrice]
        R -- 1w --> C1 -- 1k --> F -- 个位数 --> P
    end

    A[广告主] -- 100w --> B
    B --> C[ADX]
    C --> D[SSP / 媒体]
    D --> E[用户]

在 DSP / 广告平台内部，广告选择与排序一般遵循上述四阶段流程，以在效果、成本与延迟之间取得工程最优解。

召回阶段（Recall）

阶段目标

召回阶段的核心目标是：

从海量广告中，快速找出「可能相关」的一小部分广告，确保不漏掉潜在高价值候选。

该阶段以高召回率为第一优先级，对精度要求相对宽松。

核心任务

• 基于用户基础属性

  • 地理位置

  • 设备类型

  • 兴趣 / 行为标签

• 基于广告基础约束

  • 定向条件

  • 投放状态

  • 预算与频控

• 基于规则系统或倒排索引进行快速匹配

候选规模变化

• 输入规模：约 100 万级广告

• 输出规模：约 1 万广告

工程特征

• 极低延迟（通常 < 1 ms）

• 高并发、高吞吐

• 多路召回、规则驱动

• 宁可多召回，不轻易错杀潜力广告

粗排阶段（Coarse Filtering）

阶段目标

粗排阶段关注的是：

在保证整体效果基本稳定的前提下，显著缩小候选集规模，降低后续精排的计算压力。

这是一个效率优先的阶段。

核心任务

• 使用轻量级模型对广告进行快速打分

• 初步区分「明显不优」的广告

• 保留具备竞争力的候选

候选规模变化

• 输入规模：约 1 万广告

• 输出规模：约 1 千广告

常见方法

• 线性回归（LR）

• 浅层 MLP

• 裁剪后的 GBDT / 决策树

• 有限特征交叉

工程权衡

• 单广告预测延迟要求极低

• 模型结构简单、可高度并行

• 更关注排序趋势而非绝对精度

精排阶段（Fine-Grained Sorting）

阶段目标

精排阶段是广告系统中最核心、最复杂、效果贡献最大的阶段，目标是：

在有限候选中，尽可能准确地评估广告效果并生成最终排序。

核心任务

• 精确预测广告效果指标

  • 点击率 pCTR

  • 转化率 pCVR

• 深度建模

  • 用户特征 × 广告特征

  • 历史行为 × 当前上下文

候选规模变化

• 输入规模：约 1 千广告

• 输出规模：个位数 / 十位数广告

常见方法

• 深度神经网络（DNN）

• Wide & Deep

• DeepFM / xDeepFM

• Attention / Transformer 结构

工程特征

• 模型复杂度最高

• 特征交叉最充分

• 对整体延迟极其敏感

• 是系统效果的决定性因素

调价阶段（Bid Price Adjustment）

阶段目标

调价阶段解决的问题是：

在已排序广告基础上，结合广告主出价与预估效果，计算最终竞价价格。

即确定广告的最终竞争力。

核心任务

• 综合考虑

  • 预估 pCTR

  • 预估 pCVR

  • 广告主出价与预算

  • 平台商业目标

• 计算最终竞价价格 pBidPrice

常见计算形式

基于点击收益的 eCPM 形式：

考虑转化价值的扩展形式：

工程特点

• 强实时性

• 强策略驱动

• 与平台收益和广告主 ROI 高度绑定

整体流程总结

从工程视角看，四个阶段形成了清晰而稳定的职责划分：

• 召回：解决「有哪些广告可以考虑」

• 粗排：解决「哪些广告不值得深度计算」

• 精排：解决「哪些广告最值得展示」

• 调价：解决「以什么价格展示最合适」

该分层结构在效果、性能与系统复杂度之间取得了良好平衡，是现代广告系统长期演进的核心基础。