面试题 · RAG
搜索「Embedding」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在广告投放系统中，CTR、CVR和ROI往往存在目标冲突，如何通过模型或策略手段有效协调这三个关键指标的优化？
三个指标的冲突本质：
多任务学习（MTL）
多目标优化框架
max ROI s.t. CTR ≥ threshold, CVR ≥ threshold学习内容与项目面试，在同一条路上。
分层漏斗优化
召回 → 粗排(CTR过滤) → 精排(CVR预估) → 出价层(ROI调控)每层设置不同阈值，形成级联约束
强化学习动态调控
流量分层运营
必须设计多维度A/B测试：不仅看指标均值，还要看分布（如ROI的方差）、广告主满意度、长期留存。避免单一指标优化导致生态恶化。
建议系统学习该知识点
场景切入
假设你负责一个电商广告系统，广告主希望CTR高、CVR也高，但ROI还要达标。你发现优化CTR的广告点进去的人转化率很低，而追求ROI又导致曝光量上不去。这种情况你怎么协调这三个目标？
层层追问
广告系统里CTR、CVR和ROI这几个指标你一般怎么优化？……如果它们互相冲突呢，比如CTR高了但CVR掉得厉害？……那有没有办法让模型同时兼顾它们，而不是单独优化一个？
直球架构
广告投放系统中，CTR、CVR和ROI存在目标冲突。你会从模型和策略两个层面设计什么方案来协调优化？注意要讲清楚每个方案如何缓解冲突，不要只列方法名称。
我觉得这道题问的其实不是三个指标怎么分别优化，而是广告系统里多目标冲突时怎么取舍和联动。CTR高了可能带来低质点击，CVR高了可能过滤掉潜在高价值用户，ROI高了可能牺牲规模。说白了，这是一个系统层面的平衡问题，不是单个模型能搞定的。
我一般会从模型和策略两个层面来搭方案。模型层面，核心是 多任务学习。因为CTR、CVR、ROI共享用户和广告的特征，但各自的优化目标不一样。我会用 MMoE 或者PLE这种结构，底层共享[[embedding]]，上层每个任务有自己的专家网络和门控。这样模型能学到通用表示，又不会让某一个任务主导梯度。不过这里有个坑：如果直接不加约束地联合训练，ROI这种稀疏目标很容易被CTR这种密集目标带偏。所以我会加一个 动态任务权重，比如用不确定性加权或者Pareto优化，让模型在训练过程中自动调节各任务的loss比例。
再一个，模型层面还可以用 因果推断。比如uplift建模，直接预测广告曝光带来的增量转化，而不是绝对CVR。这样能避免把自然转化也算成广告效果，对ROI优化更直接。
策略层面，我会做一个分层漏斗。召回层用CTR粗筛，精排层用CVR预估排序，出价层用ROI调控。每一层设不同的阈值，形成级联约束。举个例子，电商大促时，高客单价品类我会在出价层设一个ROI下限，比如ROI低于2.5的直接不出价，但CTR和CVR层可以放宽一点，保证曝光量。这样既保住了ROI，又不至于流量断崖。
更动态一点，可以用 强化学习 来做实时调控。状态是当前时段的预算消耗、各指标表现，动作是调整出价系数或者流量筛选阈值，奖励是综合ROI加上完成率惩罚。比如双十一当天，系统发现ROI掉到警戒线以下，强化学习会主动降低出价，宁可牺牲一点CTR也要保住ROI。
这里有个前提，就是你的数据回流要够快。如果CVR延迟超过一天，强化学习根本学不到实时反馈。常见失败场景是，广告主用长转化链路，比如汽车试驾，CVR延迟一周，那强化学习就没什么用，还是得靠离线模型加人工规则。
所以落地时我会特别关注两个点。先说， A/B测试不能只看均值，还要看分布。比如ROI均值提高了，但方差变大，说明有些广告主受益、有些受损，长期可能生态恶化。我会同时看广告主留存率和投诉率。再一个，不同流量要分层运营。高价值流量激进优化ROI，探索流量保CTR和CVR，积累数据。
另外，如果广告主有明确的预算约束和KPI，还可以用约束优化，比如最大化ROI的同时保证CTR不低于某个值。但这需要广告主提供准确的约束条件，实际中很多广告主自己都说不清楚，所以更常见的做法是让系统自动学习一个Pareto前沿，让广告主在界面上滑动选择。
总的来说，我更倾向把CTR、CVR、ROI的优化看成一个 多目标规划问题，而不是三个独立指标。模型和策略要配合，模型给出预估，策略做决策和兜底。核心是理解业务场景，知道什么时候该保哪个指标。