「深度」学习计算广告，我为什么从推荐系统转向计算广告？
你好，我是王喆，这里是
「深度学习计算广告」
的第一篇文章。熟悉我的朋友们可能知道，从2018年底开始，我更新了一系列推荐系统相关的文章，主要集中在推荐模型，CTR模型等技术的迭代更新上。2020年，我以专栏内容为基础，把所有知识结构化，形成了
「深度学习推荐系统」
这本书，以及
「深度学习推荐系统实战」
这门课程。算是把自己所有的理论知识和实践经验做了一个全面的总结。
从2021年开始，我离开了推荐系统领域，回到我职业生涯开始的地方——计算广告，全面负责Tiktok Ad Network的算法工作，最近这一年又来到Dinsey Streaming，负责其下辖所有视频app的广告算法研究和相关工程工作，算是做了一个小的职业方向的转型。
由于职业方向上的转变，我也希望从这第一篇文章开始，逐渐把计算广告最经典也最前沿的知识体系建立起来。专栏名称“深度学习计算广告”有两层意思，第一层意思是
深度地学习计算广告
，第二层意思是
计算广告中的深度学习应用
。一语双关，也符合咱们专栏的定位。
为什么回到计算广告领域—推荐系统和计算广告的技术特点
回到计算广告领域的决定我当初也思考了一阵子，主要的出发点是考虑到推荐系统和广告系统技术特点的差异，从职业生涯不同阶段的需求决策的。虽然推荐系统和计算广告的主流技术有诸多相似点，比如：
深度学习推荐模型和深度学习CTR模型分别作为二者的核心，
技术方案是完全相通的；
推荐系统的工程架构和广告系统的工程架构也基本可以共用
，事实上，一线公司的推荐和广告业务也往往会共享技术中台；
搜广推不分家，二者的
业务形态和团队背景也都高度近似
。
但如果你在两个方向都工作过三年以上，其实能很清晰的感觉到，两个方向的特点其实看似相似，工作模式实则差异很大，宏观上来说主要是以下区别：
推荐系统：推荐系统的主要目标是候选物品排序，这甚至是整个系统的唯一目标，围绕着这个目标，做深做精推荐模型几乎是唯一的效果提升途径，所以“
技术精深”是推荐系统的第一特点
。
广告系统：计算广告系统首先生态上就非常复杂，DSP，SSP，ADX，DMP，MMP等等，广告生态上的各个平台都是重要不可或缺的组成部分。第二广告系统技术架构本身比推荐系统复杂，除了相似的排序模块，广告系统中出价，pacing，库存预估，竞价，定向等模块都是推荐系统不具备的。所以
“生态庞大，架构复杂”是广告系统的第一特点
。
基于上面的技术特点，我的技术选择也就比较顺理成章了。在推荐系统方向工作的4年期间，我跟团队一起搭建了深度学习推荐系统的工程架构，模型服务体系，数据流体系，尝试了不同的模型结构，在业务上也完成了几十个点的效果提升。我几乎经历了一个深度学习推荐系统成熟过程中所有精彩的部分，自己也可以说成长为一个领域专家。再往下走，除了用同一套技术体系支持不同的业务场景，就是在已有的体系上修修补补，这不是不可以，但我个人认为不够精彩。
广告系统这时候的优势就体现出来了。不同利益方之间的关系权衡，不同技术模块之间的联合优化，虽然业界优秀团队的积淀不可谓不深厚，但显然，这其中的潜在优化点是多于推荐系统的。另外，广告团队的合作关系往往非常复杂，跟内外部合作团队的连接也比推荐团队多出很多，这也是对自己软实力的进一步锻炼。
基于上面的考虑，我微调了一下自己的职业方向，让自己的工作不确定性更强，也有更大的优化空间。事实证明，这一步走的不容易，但却完全符合我当初的期望，实现了当初的目标。
很多知友可能会说，搜广推，搜广推，三个业务都已经极端成熟，都已经卷到极致了，哪还有什么优化空间啊。我可以很负责的说，说这话的人要么对搜广推的任意一个系统都没有全面的认识，要么就是没什么发现问题解决问题的能力。特别是对于计算广告系统来说，几乎可以说是四处漏风，即使是业界最前沿的团队，几乎也没办法对每个模块都深入独立研究一遍，更别提模块间的联合优化了。
下面是我之前画过的一张广告系统技术架构图。随便举两个优化点来说：
DSP和ADX之间的竞价算法在流量价值方向上的优化
。竞价算法有不少独立的研究，但单单竞价过程中流量价值如何衡量这一点，就很少有团队深入思考过。思考过的也仅仅是拿出一个理论框架，没法真正联系实际操作。比如CTR目标和CVR目标广告主对流量价值的判断是一致的吗？如何在一起比较确定这个流量最终的价值，进而决定对外竞价时的出价？
