🚀 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
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
# 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
# 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
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
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
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
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。