标准回答
一、先给出结论和背景
- 需求与指标：CTR 模型输出「这条广告被这个用户点击的概率」，用于 eCPM = CTR × 出价 排序与计费。离线评估用 AUC/GAUC（按用户/请求分组更贴近线上），还要看概率校准；线上看 CTR、CPM、收入，A/B 验证。
- 特征：大规模稀疏类别特征是核心：用户 ID/画像、广告/创意 ID、上下文（位置/时段/设备）、统计特征（历史 CTR）、行为序列。高维稀疏，需 embedding 化。
二、拆开关键步骤和判断点
- 整体架构 / 模型：每个稀疏特征查 embedding 表降到低维稠密向量，再做特征交叉：
- LR/FM：线性 + 二阶交叉，简单可解释；
- Wide&Deep：wide 记忆 + deep 泛化；
- DeepFM：FM 显式二阶交叉 + DNN 高阶隐式交叉，免人工特征工程；
- DIN：用 attention 建模用户行为序列与目标广告的相关性。
损失用交叉熵（logloss）。 - 工程：embedding 表巨大需分布式参数服务器；在线特征用 Feature Store 保证线上线下一致；模型分钟级/天级更新，热门特征可增量学习。
三、补上落地边界和取舍
- 评估与上线：离线 AUC/GAUC + 校准曲线，线上灰度 A/B 监控 CTR 与收入，再放量。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只追 AUC 不看概率校准——AUC 只反映排序，但计费按预估 CTR 算，校准差会直接亏钱；以及忽略线上线下特征不一致导致的离线高线上崩。
追问
追问 1：为什么用 GAUC 而不是普通 AUC？
普通 AUC 把所有样本混在一起算排序能力，但线上排序是在「同一个用户/同一次请求内」对候选广告排序。GAUC 按用户（或请求）分组分别算 AUC 再加权平均，更贴近线上真实的组内排序场景，能避免「跨用户排序对、组内排序错」的虚高。
追问 2：CTR 预估的概率校准为什么重要，怎么做？
因为 eCPM 排序和计费直接用预估概率值，不只是相对顺序。若整体高估/低估会导致出价错误、亏损或丢量。校准方法有 Platt scaling、保序回归（isotonic regression），负采样训练时还需做采样率修正还原真实概率。
追问 3：稀疏特征 embedding 表太大怎么办？
用分布式参数服务器存储与更新；对低频 ID 做特征准入（出现次数不足不建 embedding）和特征淘汰（长期不活跃则清退）控制规模；还可用 hash trick、embedding 量化压缩。同时冷启动 ID 用默认/共享 embedding 兜底。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习