题目重点：从广告展示事件定义点击标签，控制位置/选择偏差与特征泄漏，用校准和线上实验检验 CTR 模型。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练版一条样本是某用户在某时刻的一次有效曝光，标签为曝光后预定窗口内是否点击；重复曝光/机器人流量与点击归因规则须业务确认。
- 训练特征只来自曝光时已经可用的用户、广告、上下文和历史信息；点击后转化/未来浏览不得泄漏。
- CTR 模型输出条件点击概率，而不仅是排序分数；可用于候选排序/出价时还要考虑业务目标。
解题路线
- 建立不可变曝光和点击事件，按 requestId/impressionId 对齐，定义 attribution window、跨设备限制和无点击负例何时成熟；缺失曝光的点击不能随意当正例。
- 特征包括用户历史偏好、广告文本/类目、时段、设备、位置和上下文；所有聚合按曝光时点截断，按时间切训练/验证/测试，去重同一次曝光。
- 先用逻辑回归/GBDT 等可解释基线，再评估 embedding/交叉特征模型，比较 log loss、PR-AUC/ROC-AUC、分桶校准、ECE 及不同广告主/新用户分层；CTR 常低基率，accuracy 无信息。
- 历史展示只覆盖旧策略挑选的候选和位置：记录候选集合、旧分数、position 与 propensity，必要时做受控探索；只在曝光样本上训练会有选择偏差。
- 上线 shadow 和 A/B 看点击、转化、用户负反馈、广告收入与公平护栏，监控预测 CTR 与实际 CTR 的校准漂移、特征新鲜度及反馈环。
手动走一遍
一条广告在列表第 1 位常被点击，在第 20 位很少被看见。若模型把两次曝光直接视为相同观察环境，会把位置效应误学成广告质量。某用户曝光后 24 小时才点击，而标签窗口只给 1 小时，按训练合同应记负例；窗口由业务目标决定。
规模与取舍
N 次曝光、F 个特征，数据 join 与按时点特征回放至少随 N 增长；模型推理成本依具体结构而异，轻量线性模型约 O(F) 每候选。低延迟线上路径还要预算特征服务、候选数与排序批量。
易错点与追问
容易失分的边界
- 没有曝光日志，只拿点击事件和任意未点击广告凑训练集。
- 使用点击后/转化后的特征预测曝光时点击。
- 只报 accuracy，忽略低基率与概率校准。
- 不记录旧展示位置，误把位置偏差当广告相关性。
- 线下 log loss 改善就断言业务结果必然改善。
继续深挖
- 没有完整 propensity 时可做到什么程度的去偏？
- 新广告/新用户冷启动怎样表示？
- 点击率提升但转化和用户满意度下降怎么办？
- 如何区分概率校准和排序能力？
