题目重点：MLE Intern 题目明确要求提升社交广告 CTR，并追问 embedding 与 training data；本文解释曝光负例、点击关联、偏差和实验护栏。
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。
- 训练版目标是合规广告曝光的点击概率，曝光必须带可关联 requestId、adId、位置与时间；点击可延迟到达。
- 可使用经授权的用户行为和广告内容特征；如隐私规则不允许个人级历史，需改为上下文或群组特征。
- 出价和业务目标先保持独立，模型输出 CTR 估计，后续排序可与出价及质量约束组合。
解题路线
- 先定义样本：真实曝光是分母，曝光后规定窗口内匹配的点击为正例，未点击曝光为负例；去重重试曝光并处理迟到点击，避免拿所有未见广告当负例。
- 广告向量可由图像/文本/商品属性训练，用户向量可由可授权的近期与长期兴趣行为聚合；先用简单交叉特征模型建基线，再比较双塔或深层交互结构。
- 曝光位置影响点击概率，离线数据来自旧排序策略会有选择偏差；至少记录 propensity/位置与候选集合，采用随机探索桶或校正估计，并报告校正不确定性。
- 服务端先安全与投放资格过滤、召回、粗排，再用 CTR 模型预测；特征与模型版本一致，冷启动广告依靠内容特征，线上设置预算和频次约束。
- 离线看校准、log loss、AUC 与分人群误差；在线随机实验看 CTR、转化/长期价值、负反馈和广告主回报，防止只优化诱导点击。
手动走一遍
一次展示在位置 1 未点击，不能等同于‘用户不喜欢所有未展示广告’；展示在位置 8 的广告也可能因为不可见而未点。训练时保留位置、可视曝光和旧策略信息。某新广告没有历史点击，先用图片文字向量与类目召回并给适度探索流量。
规模与取舍
若每请求精排 C 条广告、模型每条成本 f，则计算工作量随 Q×C×f 增长；训练样本量约曝光数，负例可采样但需要权重校正。实际候选数和在线延迟应压测，题目未明确规模。
易错点与追问
容易失分的边界
- 从浏览历史抓正例，却没有曝光负例和点击归因窗口。
- 把未展示广告当用户拒绝，形成错误负例。
- 忽略位置和旧排序策略，离线高分无法解释线上效果。
- 只看 CTR 而忽略转化、负反馈与内容安全。
继续深挖
- 如何从极稀疏点击数据训练新广告向量？
- 点击延迟跨天时，训练样本何时定稿？
- 探索桶如何在用户体验和无偏评估之间取舍？
