广告是字节跳动的主要收入来源。广告投放系统需要在极高吞吐量下平衡收入最大化与用户体验。这道题考察你设计延迟敏感型系统并集成ML的能力。
梳理广告投放流水线：请求增强→候选召回→排序→竞价→创意选择→投放。
解释两阶段排序：轻量模型从数千候选中筛到数百，深度模型结合用户特征做精排。
描述竞价机制——通常是广义第二价格（GSP）或VCG竞价——以及如何激励真实出价。
讨论延迟优化：预计算用户embedding、特征缓存、模型蒸馏和流水线阶段的投机执行。
系统在100毫秒内分四阶段处理广告请求。第一阶段请求增强（5ms）：从预计算embedding存储中拉取用户特征，附加上下文信号（时间、地点、内容类型）。第二阶段候选召回（15ms）：倒排索引根据定向条件（人口统计、兴趣、预算约束）从数百万合格广告中筛出约5000个候选。第三阶段排序（50ms）：双塔召回模型对全部5000个候选打分，选出Top 200，再由深度CTR预估模型利用用户-广告交叉特征精排，最终分数为eCPM=预估CTR×出价。第四阶段竞价投放（30ms）：Top候选进入带质量调整底价的GSP竞价，胜出者根据A/B测试分组选择创意素材并返回响应。为满足延迟要求，用户embedding每小时离线刷新，召回模型在GPU上批量推理，慢变信号使用5分钟TTL的特征缓存。
掌握eCPM公式（CTR×出价），解释它如何平衡广告主价值与用户相关性。
提到预算平滑——将预算均匀分配到投放周期而非早期烧完。
讨论新广告的冷启动问题和探索策略如何解决它。
深度CTR模型计算开销太大，无法在延迟预算内给数百万候选打分。轻量级的第一阶段模型快速缩小范围，让深度模型专注于最有潜力的候选。
频控限制用户在时间窗口内看到同一广告的次数。竞价中的多样性约束确保用户看到不同广告主的广告，负反馈信号（跳过、隐藏）会降低重复创意的排序权重。