搜广推校招面经八十四

一、讲一下Recall、Hit rate、MRR

1.1. Recall（召回率）

• 在所有真实为正样本（Relevant Items）中，模型正确预测为正样本（Retrieved Relevant Items）的比例。简单理解为：关注的样本中，有多少被模型找到了。
  $$Recall=\frac{\text{TP}}{\text{P}}$$

1.2. Hit Rate（命中率）

• 在每个用户/查询中，只要模型推荐列表中至少有一个正确项，就算命中（Hit）。最后取所有用户/查询中命中的比例。简单理解为：命中的个数
• Hit Rate 常常配合 Top-k 使用，比如 Hit@10，表示推荐前10个中是否有正确答案。
  $$HitRate=\frac{\text{Number of Hits}}{\text{Total Number of Queries}}$$

1.3. MRR（Mean Reciprocal Rank，平均倒数排名）

• 在一组查询中，取每个查询第一个正确结果的倒数排名（Reciprocal Rank），再取所有查询的平均值。正确结果排得越靠前，MRR值越高。
  $$MRR=\frac{1}{N}\sum _{i=1}^N\frac{1}{ran{k}_i}$$
  其中：
  • $N$ 是查询总数
  • $ran{k}_i$ 是第 $i$个查询中，第一个正确结果的排名（从1开始）

二、oCPM 与 CPM 的竞价差异

2.1. 基本定义

类型	含义	计费方式	优化目标
CPM	Cost Per Mille，按每千次展示计费	每千次展示直接付费	曝光最大化
oCPM	Optimized CPM，优化后千次展示成本	仍按千次展示计费	转化最大化（点击、注册等）

2.2. 竞价机制差异

比较维度	CPM	oCPM	eCPM（用于评估）
出价对象	每千次展示	每转化出价（系统折算成每千次展示）	不参与竞价，仅事后评估
优化目标	曝光	系统自动寻找最可能转化的用户	衡量单元广告效果：收入 / 展示 * 1000
系统优化能力	无	有：通过机器学习算法进行人群预测和精准投放	无：仅做效果分析使用
适用场景	品牌曝光、活动推广	效果导向型广告（如App安装、注册、下单）	用于评估不同广告/人群/策略的变现效率

2.3. 举例说明

• CPM：出价 10 元 / 千次展示 → 不管用户是否点击或转化，只保证曝光。如果你希望尽可能多地让人看到你的广告 → 选 CPM
• oCPM：希望每个注册成本控制在 50 元以内 → 系统优化展示给可能转化的用户，仍然按展示计费，但更精准。如果你更在意点击率、注册量、下单等具体行为 → 选 oCPM

三、广告归因分析常用方法

广告归因（Attribution）是指确定用户转化行为应归功于哪些广告接触点的过程，帮助评估广告渠道和投放策略的效果。

3.1. 常见归因分析方法

3.1.1. Last-Click Attribution（末次点击归因）

将所有转化归因于用户转化前最后一次点击的广告。

• 优点：简单、易于实施。
• 缺点：忽略了用户完整的转化路径中其他广告的作用。

3.1.2. First-Click Attribution（首次点击归因）

将转化归因于用户最早接触的广告。

• 优点：强调引流渠道的重要性。
• 缺点：忽略中间过程对转化的推动。

3.1.3. Linear Attribution（线性归因）

将转化价值平均分配给用户路径中所有接触的广告。

• 优点：更公平地分配每个接触点的贡献。
• 缺点：无法体现各阶段广告的重要性差异。

3.1.4. Time Decay Attribution（时间衰减归因）

接触点距离转化越近，分配的权重越高。

• 优点：更符合真实行为路径的作用强弱。
• 缺点：可能低估早期广告的重要性。

3.1.5. Position-Based Attribution（位置归因 / U型归因）

将40%权重分配给首次和末次点击，其余20%平均分给中间接触点。

• 优点：平衡首末点击的重要性，适合漏斗型路径分析。
• 缺点：权重分配规则人为设定，缺乏数据驱动支持。

3.2. 归因分析常见应用场景

场景	推荐方法
品牌广告评估	First-Click / Linear
效果类广告（电商转化）	Last-Click / Time Decay
多渠道投放优化	Position-Based / DDA
精准预算分配	DDA

四、隐私计算下广告ID缺失的应对策略

在隐私保护（如 iOS 14+ 的 App Tracking Transparency、GDPR 等）增强的大背景下，广告投放中用户ID、广告ID等标识符可能缺失或不完整，对精准定向和归因分析造成挑战。以下是常见的应对策略：

4.1. 问题背景

• 广告ID缺失的来源
  • iOS 设备用户不授权 IDFA（Apple设备ID）
  • GDPR、CCPA 等法规限制收集用户标识
  • App SDK 不再允许采集部分硬件ID
• 影响范围
  • 用户精准画像受限
  • 个性化推荐/排序效果下降
  • 归因模型精度降低

4.2. 常见应对策略

4.2.1. 基于上下文（Contextual）特征建模

• 不依赖广告ID或用户ID，转而使用场景特征：
  • 当前APP/网页类型
  • 内容主题（NLP分类）
  • 时间（小时、工作日）
  • 地域（城市/省份级别）
• 构建上下文广告排序模型，如 Contextual Bandit、Contextual CTR 模型

4.2.2. 使用设备信息构建弱标识（Device Fingerprint）

• 利用设备软硬件特征构建 hash：
  • 屏幕分辨率、OS版本、设备品牌、字体设置等
• 可生成局部稳定的唯一标识

4.2.3. 采用聚合/联邦学习（Federated Learning）

• 不上传广告ID/用户原始数据，采用端侧学习模型参数
• 聚合用户行为进行建模（如 CTR/CVR 预测）
• 应用：
  • Google 的 Federated Analytics
  • 联邦推荐模型 FedRec、FedCTR 等

4.2.4. 差分隐私保护的统计特征（DP统计）

• 用户行为统计（曝光率、点击率）经差分隐私扰动后使用
• 作为模型输入的辅助信息（不需要原始ID）

4.2.5. 采用群体画像替代个体画像

• 将用户/广告归类至画像群组：
  • 设备价格段、内容偏好类别、行为活跃度分组等
• 在人群维度建模（如：活跃女性用户在“美容”类广告的点击概率）