计算广告这个方向，面试时最容易被问穿的往往不是算法公式，而是「你们系统里召回和粗排到底怎么分工」「CTR 模型离线 AUC 涨了线上为什么不涨」。这门小班课第二期，面向的就是已经知道一些机器学习、但没真正在广告系统里跑过链路的人。如果你正在准备广告算法岗的面试，或者从推荐、搜索转岗过来，发现自己对「广告」的理解还停留在「推荐加个出价」，那缺的正是这块。

先确认一下你缺的是哪一块

计算广告的岗位要求通常横跨三层：业务层要懂竞价机制、计费方式、广告主与平台的目标差异；系统层要清楚一次请求从曝光机会到最终扣费，中间经过哪些模块；算法层才是召回、粗排、精排、CTR/CVR 预估这些模型。很多人只补了第三层，前两层靠零散文章拼凑，面试时一被追问「为什么要有粗排这一层」「oCPC 的转化回传延迟怎么处理」就卡住。

这门课的定位是把这三层串起来讲。它不假设你做过广告系统，但假设你能看懂基本的机器学习流程和图神经网络、双塔这类常见结构。如果你连 embedding 和特征交叉都没接触过，先补基础再来，会更顺。

召回和 CTR 这两块，重点看什么

广告召回和推荐召回看着像，实际约束差很多。广告要同时考虑相关性、出价、预算、频控，候选集的质量直接决定后面排序的天花板。课程里会把工业界常见的多路召回、向量召回、以及广告特有的约束怎么加进去讲清楚。你在看这部分时，重点不是记住某个模型名字，而是搞清楚「一路召回解决什么问题、它和其他路怎么互补」。

CTR 部分则是面试重灾区。除了模型结构本身，更要留意样本构造、特征体系、延迟反馈、位置偏差这些工程细节。很多候选人能背出 DeepFM、DIN 的结构，却说不清训练样本是怎么从日志里拼出来的。课程里的实战案例解析，价值就在这些落到日志和特征上的环节。

配套练习该怎么做

每讲完一个模块，用自己的话画一遍该模块的数据流，标出输入输出和关键特征。
针对召回，试着说明如果某一路召回全挂，线上会有什么表现，怎么排查。
针对 CTR，找一个公开数据集走一遍特征处理和训练，重点记录样本和特征是怎么定义的。
把课里提到的业务指标（如 eCPM、CTR、CVR、ROI）自己推一遍换算关系，别只记名字。

这些练习不用写得很漂亮，目的是逼自己把「听过」变成「能讲出来」。小班的价值也在这里，遇到卡壳的地方可以直接问，比独自啃文档效率高。

看完应该能回答的问题

学完之后，下面这些问题你应该能条理清楚地答上来，而不是含糊带过：

一次广告请求从触发到扣费，完整经过哪些模块，各模块的职责边界在哪？
广告召回和推荐召回的核心差异是什么，为什么广告召回要引入出价和预算约束？
粗排存在的意义是什么，它和精排、召回在特征和模型复杂度上如何取舍？
CTR 预估中样本、特征、延迟反馈分别有哪些坑，工程上通常怎么处理？
oCPC 相比 CPC 改变了什么，转化回传延迟会带来哪些问题？

如果这些问题你现在只能答出一半，这门课值得跟一遍。如果大部分都能讲清楚，那你要补的可能不是体系课，而是某个具体方向的深度，比如向量召回或序列建模，那就别在这门上花时间了。