Google Ads 广告系统排序与实时竞价架构揭秘

🚀 一、业务背景与挑战

Google Ads 是全球最大的广告平台之一，服务于：

搜索广告（Search Ads）
展示广告（GDN）
YouTube 视频广告
App 内广告（AdMob）

其核心挑战是：

维度	要求
毫秒响应	用户搜索结果页需 < 100ms 返回广告
广告精准性	保证高 CTR、CVR 和用户相关性
商业变现	优先展示出价高但质量也高的广告
风控与合规	过滤低质量广告，避免违法内容展示

🏗 二、核心架构总览图

🧠 三、排序系统核心组成

1️⃣ Bid：出价（CPC/CPM）

广告主设置：

CPC（点击付费）
CPM（千次展示付费）
CPA（转化付费） → 后续智能出价模块转换为等价出价

2️⃣ Quality Score：广告质量得分

QS 由多个因子决定：

python 复制代码

def compute_qs(ctr, lp_exp, ad_relevance):
    return 0.5 * ctr + 0.3 * lp_exp + 0.2 * ad_relevance

CTR（历史点击率）
LP Exp（落地页体验）
Ad Relevance（广告与关键词匹配度）

系统采用 TensorFlow 模型训练，结合特征交叉：

makefile 复制代码

# 示例：交叉特征生成
keywords = tf.feature_column.categorical_column_with_vocabulary_list(
    "keyword", ["shoes", "running", "cheap"]
)
device = tf.feature_column.categorical_column_with_vocabulary_list(
    "device", ["mobile", "desktop"]
)
crossed = tf.feature_column.crossed_column([keywords, device], hash_bucket_size=1000)

训练完成后，部署在 Vertex AI + TensorRT 上，支持批量推理加速。

🧮 四、实时竞价系统（RTB 引擎）

Google Ads 使用变体的 $Vickrey-Clarke-Groves 拍卖机制 (VCG)$ ：

出价不等于最终支付价格
实时系统根据其他竞价者行为动态计算付款金额

示例：两位广告主竞价

广告主	出价（Bid）	质量分（QS）	综合得分 Bid × QS
A	$2.0	0.8	1.6
B	$1.5	0.9	1.35

最终展示顺序：A > B

A 实际支付金额为：B 的得分 ÷ A 的 QS = 1.35 / 0.8 = $1.6875

🧩 五、模型系统实战代码（TFX + Flink + Serving）

🎯 CTR 模型训练（TensorFlow）

ini 复制代码

# 特征组合
features = tf.concat([user_emb, ad_emb, context_features], axis=1)
# MLP 网络
x = tf.keras.layers.Dense(256, activation='relu')(features)
x = tf.keras.layers.Dense(128, activation='relu')(x)
logits = tf.keras.layers.Dense(1)(x)

训练后输出 SavedModel，自动部署到线上推理系统：

arduino 复制代码

gcloud ai models upload --region=us-central1 --display-name="ctr_model_v2" --artifact-uri=gs://my-bucket/ctr_model

⚡ 实时特征计算（Flink）

ini 复制代码

val clickEvents = env.fromSource(clickStream)
val featureStream = clickEvents
  .keyBy(_.userId)
  .window(TumblingEventTimeWindows.of(Time.minutes(5)))
  .aggregate(new CTRFeatureAggregator())

⚙️ 模型线上调用（Python）

ini 复制代码

import google.cloud.aiplatform.prediction as aip
result = aip.PredictRequest(
    endpoint="projects/xxx/endpoints/ctr-v2",
    instances=[{"user_id": 123, "ad_id": 456, "device": "mobile"}],
)

📊 六、实战效果数据（AB 实验）

指标	旧系统	新系统（模型 + VCG + QS）	提升
平均点击率 CTR	1.4%	2.1%	↑50%
每千次展示收益 eCPM	$2.9	$4.2	↑44%
用户投诉广告无关率	0.72%	0.41%	↓43%

🔐 七、风控体系：广告审核 + 欺诈检测

Google 使用多层机制审核广告内容：

BERT + ViT 检测低俗/虚假内容
Flink 检测异常点击/刷广告行为
落地页实时解析检测跳转劫持行为

python 复制代码

def detect_fake_ad(ad_text):
    score = nlp_model.predict(ad_text)
    if score['fake'] > 0.9:
        return True
    return False

🧠 八、未来展望

引入 RL 训练的 Bid Adjustment（策略价值最大化）
广告多目标排序（收益 + 品牌好感 + 内容相关性）
高可用微服务系统拆解与 AI 编排调度平台落地（KubeFlow + AutoML）

✅ 总结（Google Ads 智能竞价团队技术负责人）

"广告排序系统并不是最贵者得，而是最相关、最有价值的人赢。"

我们的任务，就是让机器能在 100 毫秒内判断这场拍卖谁该赢，而且结果不能错。