「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考虑，以及计算广告系统的特点、优化空间，深度学习在计算广告中的应用以及未来计划。文章还讨论了推荐系统和计算广告的技术差异，以及经典和前沿的计算广告技术内容。

关键观点总结

关键观点1: 王喆从推荐系统转向计算广告的原因和考虑

王喆在推荐系统方向工作4年后，决定转向计算广告领域。他考虑了推荐系统和广告系统的技术特点以及职业生涯不同阶段的需求决策。虽然两者有诸多相似之处，但广告系统生态庞大、架构复杂，具有更大的优化空间和潜在优化点。

关键观点2: 计算广告系统的特点

计算广告系统生态复杂，包括DSP、SSP、ADX等多个重要平台。技术架构也比推荐系统更复杂，除了排序模块，还包括出价、pacing、库存预估、竞价、定向等模块。这些模块间的联合优化和利益相关方的关系权衡是潜在的优化点。

关键观点3: 深度学习在计算广告中的应用

深度学习在计算广告中发挥着重要作用，包括深度学习CTR模型和深度学习CTRCVR模型的应用。未来，大模型技术也将成为计算广告优化的重要方向之一。

关键观点4: 王喆对计算广告的展望和计划

王喆表示计算广告还有很多经典内容需要学习，同时也需要关注前沿技术。他计划通过专栏分享经典和前沿的计算广告技术内容，并探讨大模型在计算广告的应用。

文章预览

「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 ………………………………