如果你已经能跑通一个推荐或搜索的召回模型，但一被问到“广告和推荐到底差在哪”“为什么广告排序常用 pCTR×bid”、或者“oCPC 的二阶段到底在估什么”，就答不利索——这门课大概就是冲这些缺口来的。它不讲泛泛的机器学习基础，而是把计算广告这条链路上的几个关键环节拆开：业务怎么运转、候选从哪来、点击率怎么估、出价和扣费怎么定。学之前建议至少写过一次排序模型的训练代码，看得懂 AUC、校准、特征交叉这些词，不然听召回和预估部分会有点吃力。

先分清广告和推荐，再谈模型

很多人转岗广告时最大的认知偏差，是把广告当成“带出价的推荐”。真实系统里，广告多了三样东西：计费方式、预算约束、以及广告主和平台之间的博弈。课程会先铺业务背景——CPM、CPC、CPA 这些计费口径各自对应什么样的优化目标，为什么同一个系统里既要做 CTR 又要做 CVR，转化延迟和归因窗口又会让训练数据变成什么样。这部分不写代码，但它是后面所有模型设计的解释框架。看完应该能回答：为什么广告系统不能只按 eCPM 排一遍就完事？预算平滑和频控在系统里扮演什么角色？

召回：候选从百万到几百的路上发生了什么

广告召回和推荐召回目标不同——它不是只找用户喜欢的，还要满足广告主的定向条件（地域、人群包、投放时段），还要保证有足够的广告能参与竞价，否则填充率就崩了。这一阶段通常会落到几类做法：基于倒排的定向检索、向量召回、以及多路召回怎么合并。练习里比较关键的是自己搭一遍多路召回的融合逻辑，理解各路配额怎么分、怎么去重、怎么和定向条件做交集。看之前可以先想一个具体问题：如果某次请求命中的广告太少，你会从哪几路去补量？

CTR 预估：真正拉开差距的地方

CTR 预估是计算广告里最像“模型活”的部分，也是面试问得最细的。特征上要处理用户侧、广告侧、上下文，还要面对广告特有的稀疏性和冷启动；结构上从 LR + 特征工程，到 FM/FFM 做二阶交叉，再到 Wide&Deep、DeepFM 这类把记忆和泛化拆开的设计。真正需要动手的是校准——预估出的概率是要拿去和出价相乘算 eCPM 的，偏高偏低都会直接反映到收入上，所以只盯着 AUC 是不够的。课程里关于特征穿越、负采样比例、以及离线指标和线上收益之间的落差，是值得反复看的几段。学完应该能自己解释：为什么离线 AUC 涨了，线上收入反而可能降？

出价与机制：从 pCTR 到最终扣费

最后一环是把模型输出翻译成钱。广义第二计价的扣费规则、保量合约广告和实时竞价的差别、以及 oCPC 里“先按点击、再用转化数据反推目标出价”的两段式逻辑，都是绕不开的。这部分容易听懂但不容易做对，建议配合练习把一次竞价的排序和计费手算一遍，尤其是多家广告主同时竞价时，去掉自己之后算第二条价格那种细节，面试常考。

学完之后，你要能自己答上来的几个问题

一个广告请求从触发到曝光，中间经过哪几个模块，各自解决什么问题？
CTR 模型为什么要做概率校准？不做会怎样？
召回阶段漏掉的广告，后面排序再强也补不回来——那召回的评价指标应该看什么？
oCPC 相比普通 CPC，平台和广告主的风险分别转移到了哪里？

如果这四个问题你现在答得含糊，就按业务、召回、预估、出价这个顺序过一遍，别跳着看。小班的价值在于有人盯着你的作业和表达，但前提是你自己先把每一环的“为什么”想清楚，而不是把模型结构背下来。