广告定向体系与 pCTR/pCVR 预估

广告定向体系与点击率/转化率预估系统 (Ad Targeting & pCTR/pCVR Prediction System) 是计算广告 (Computational Advertising) 核心商业系统的基石；系统包含两层核心：1) 广告定向引擎 (Targeting Engine): 依据广告主设定的定向条件（人群标签 DMP、地域 LBS、兴趣偏好、设备属性、上下文关键词）在毫秒级内过滤出符合资格的合规候选广告；2) pCTR / pCVR 预估引擎: 利用百亿级参数的稀疏深度神经网络，实时预测特定用户在特定上下文下点击该广告的后验概率 $p\text{CTR} = P(\text{Click} | u, a, c)$ 及转化概率 $p\text{CVR} = P(\text{Conversion} | \text{Click}, u, a, c)$；预测值必须通过保序回归 (Isotonic Regression) 或 Platt Scaling 进行严密的概率校准 (Probability Calibration)，以确保预估值的绝对数值与真实期望无偏对齐。

搜索广告 (Google AdWords)、信息流广告 (Meta Ads / 字节巨量引擎)、电商展示广告 (阿里妈妈钻展)。

广告系统直接与广告主资金扣费挂钩，若 $p\text{CTR}$ 预估虚高会导致广告主 ROI 暴跌并撤资，若预估偏低会导致平台流量变现效率低下；定向引擎保证精准触达，校准后的预估值保证了商业变现与广告主 ROI 的最优平衡。

为什么在推荐系统中只需保证排序相对序（AUC 高即可），而在广告竞价系统中必须做严格的“概率绝对值校准 (Probability Calibration)”？

详细对比保序回归 (Isotonic Regression) 与 Platt Scaling 在广告 CTR 概率校准中的单调性保障与非参数拟合特性？

广告点击反馈延迟 (Delayed Feedback Problem: 用户点击后可能数天后才发生下单转化) 如何通过延迟转化概率模型 (DFM) 修正？

高维稀疏特征（如 User ID $\times$ Ad ID）中的 FTRL (Follow The Regularized Leader) 在线流式更新优化算法与 $L_1$ 稀疏性推导？

广告特征穿越防护：如何严格区分“请求时特征 (Request-Time)”与“展示后特征 (Post-Impression)”，杜绝不可用未来特征注入？