「深度」学习计算广告，我为什么从推荐系统转向计算广告？

主要观点总结

本文是王喆关于深度学习计算广告的第一篇文章，他介绍了自己从推荐系统转向计算广告的原因和经历，以及计算广告系统的优化空间、大模型在广告系统中的应用等。文章还提到了经典和前沿的广告技术内容，并强调了推荐系统仍然具有的价值。

关键观点总结

关键观点1: 王喆为什么选择回到计算广告领域

他考虑了推荐系统和广告系统的技术特点以及个人职业生涯的需求，认为广告系统生态庞大、架构复杂，有更大的优化空间和更多的潜在优化点。

关键观点2: 计算广告系统的优化空间

王喆提到了计算广告系统的优化空间非常大，包括DSP和ADX之间的竞价算法、CTR和CVR预估与pacing的结合等多个方面，业界前沿的团队也很难对每个模块进行深入研究和模块间的联合优化。

关键观点3: 大模型在计算广告中的应用

王喆表示虽然对直接研究基础大模型技术本身不感兴趣，但对怎么拿大模型赚钱很感兴趣，对怎么把大模型应用在广告系统这种话题感兴趣。他计划在未来的专栏中探讨这方面内容。

关键观点4: 专栏内容的定位

王喆表示专栏内容会围绕经典和前沿的技术展开，经典内容包括经典的出价算法、pacing方法等，前沿内容则包括大模型在计算广告的应用等。

文章预览

导读   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 ………………………………