术语表 (Glossary)

本表收录本书出现的核心术语，按中文首字母排序。格式：术语 — 一句话定义，必要时交叉引用相关章节。

基础概念（全篇）

候选集 (Candidate Set) — 经过召回阶段筛选后、待排序模型精排的物品集合，规模通常为千级。
判别式推荐 (Discriminative Recommendation) — 将推荐定义为「给定用户-物品-场景三元组，预测交互概率」的范式，核心为打分函数 $S core = f (U ser, I t e m, C o n t e x t)$ 。
生成式推荐 (Generative Recommendation) — 让模型根据用户历史与场景直接「创作」推荐序列的范式，核心为生成函数 $[I_{1}, I_{2}, \dots, I_{k}] = g (U ser, C o n t e x t)$ 。
召回 (Retrieval / Recall) — 推荐流水线的第一阶段，在毫秒级延迟内从亿级物品库快速筛选千级候选。
排序 (Ranking) — 推荐流水线的第二阶段，用复杂模型为每个候选计算精确预测分数。
重排 (Re-ranking) — 推荐流水线的第三阶段，在保持相关性的前提下优化整张列表的多样性、新颖性等体验指标。

Part 2 · 快速候选召回

ItemCF (基于物品的协同过滤) — 通过物品共现余弦相似度、由种子物品扩散候选的协同过滤方法（Ch2.1）。
UserCF (基于用户的协同过滤) — 通过用户相似度聚合邻居行为来预测目标用户兴趣的协同过滤方法（Ch2.1）。
Swing — 通过分析用户-物品二部图子结构、以「特异性共现」过滤热门噪声的工业级相似度算法（Ch2.1）。
二部图 (Bipartite Graph) — 用户与物品为两类节点、交互为边的图结构，Swing 在其上分析子结构以过滤噪声（Ch2.1）。
FunkSVD — 矩阵分解基础模型，把评分矩阵分解为用户/物品隐向量并以内积预测评分（Ch2.1）。
BiasSVD — 在 FunkSVD 基础上引入全局均值 $μ$ 、用户偏置 $b_{u}$ 、物品偏置 $b_{i}$ 的矩阵分解改进模型（Ch2.1）。
MF（矩阵分解） — 将用户-物品交互分解为低秩隐向量、以向量距离反映偏好的方法家族（Ch2.1）。
Surprise 算法 — Swing 的衍生算法，从类别/商品/聚类三层面挖掘互补商品（Ch2.1）。
Word2Vec (Skip-Gram) — 用中心词预测上下文、以负采样高效学稠密词向量的序列建模方法，是 I2I 向量召回的理论基础（Ch2.2）。
Item2Vec — 把 Word2Vec Skip-Gram 直接迁移到推荐、将用户交互历史当「句子」学物品向量的 I2I 方法（Ch2.2）。
EGES (Enhanced Graph Embedding with Side Information) — 在随机游走访物品图上融合属性、用商品特定注意力加权聚合以解决冷启动/稀疏的 I2I 向量方法（Ch2.2）。
双塔模型 (Two-Tower) — 用户与物品分别由独立塔编码为向量、仅在最终内积交互的 U2I 召回架构（FM/DSSM/YouTubeDNN）（Ch2.3）。
YouTubeDNN — 把召回定义为「预测用户下一观看」、采用非对称双塔与时序分割的工程化双塔模型（Ch2.3）。
MIND (Multi-Interest Network with Dynamic Routing) — 用多兴趣胶囊分别代表用户多元兴趣、各胶囊独立检索再合并的序列召回模型（Ch2.4）。
动态路由 (Dynamic Routing) — 胶囊网络中确定低层与高层胶囊连接强度的迭代算法，MIND 借其把行为软聚类为兴趣胶囊（Ch2.4）。
squash 函数 — MIND 把向量模长非线性压缩到 $[0, 1)$ 、方向不变、模长表兴趣存在概率的函数（Ch2.4）。
标签感知注意力 (Label-Aware Attention) — MIND 训练时用目标物品向量作查询、从多兴趣胶囊中挑最相关者的注意力机制（Ch2.4）。
SDM (Sequential Deep Matching) — 分别建模短期（LSTM+多头）与长期（特征维度注意力）兴趣、以门控动态融合的序列召回模型（Ch2.4）。
LSTM（长短期记忆） — SDM 用以处理会话序列时序依赖、抑制随机误点击的循环网络（Ch2.4）。
多头自注意力 (Multi-Head Self-Attention) — SDM 在 LSTM 之后并行多路注意力以捕捉序列内多重兴趣的机制（Ch2.4）。
Trinity — 用层次化 VQ 聚类 + 统计直方图显式保留全量历史兴趣、根治兴趣遗忘的召回框架，含 M/LT/L 三召回器（Ch2.5）。
层次化聚类 (Hierarchical Clustering) — Trinity 训练阶段用 VQ 维护两级可学习聚类中心（主 128 / 次 1024）的结构（Ch2.5）。
流式向量量化索引 (Streaming VQ) — 让物品实时量化到聚类、中心经 EMA 持续自适应、无需中断重建的索引结构（Ch2.5）。
Exponential Moving Average (EMA) — 用所属物品 Embedding 加权平均平滑更新聚类中心、使其适应分布变化的机制（Ch2.5）。
兴趣遗忘 (Interest Amnesia) — 在线学习框架拟合近期样本、致稀疏长尾兴趣记忆衰退的现象，Trinity 试图解决（Ch2.5）。
长期兴趣召回 (Trinity-L) — Trinity 用轻量双塔选种子物品、再基于 Embedding 相似度做 I2I 检索的召回器（Ch2.5）。
长尾兴趣召回 (Trinity-LT) — Trinity 用流式频率估计追踪长尾聚类、对长尾主题显著行为增强推送的召回器（Ch2.5）。
归并排序服务策略 (Merge-Sort Serving) — Streaming VQ 把 score 拆为「聚类级个性化 + 聚类内流行度」、用最大堆 K 路归并保证每聚类贡献候选（Ch2.5）。

Part 3 · 精准偏好预测

记忆（Memorization） — 模型学习并记住历史中频繁共现的特征组合（如"买 A 的人也买 B"），对应 Wide&Deep 中 Wide 部分（Ch3.1）。
泛化（Generalization） — 模型学到特征间的深层关系，能处理训练时罕见的组合，对应 Wide&Deep 中 Deep 部分（Ch3.1）。
交叉特征（Cross-product Features） — 将多个独立特征人工组合成的新特征，用于 Wide 部分捕捉特定共现模式 AND(a, b)（Ch3.1）。
联合训练（Joint Training） — Wide 与 Deep 两部分由同一损失同时更新全部参数，区别于分别训练再集成（Ch3.1）。
因子分解机 / FM（Factorization Machine） — 用每个特征的低维隐向量内积建模二阶交叉，把参数量从 $O (n^{2})$ 降到 $O (nk)$ 并缓解稀疏（Ch3.2）。
参数共享（Parameter Sharing） — FM 把交叉权重表示为隐向量内积，使未共现特征也能通过各自隐向量泛化预测（Ch3.2）。
共享 Embedding（Shared Embedding） — DeepFM 中 FM 与 DNN 组件共用同一份特征 Embedding，兼顾低阶/高阶交互与训练效率（Ch3.2）。
Cross Network（DCN） — 每层与原始输入做残差交叉 $x_{l + 1} = x_{0} x_{l}^{⊤} w_{l} + b_{l} + x_{l}$ ，明确产出元素级高阶交叉（Ch3.2）。
CIN（Compressed Interaction Network, xDeepFM） — 在向量级做哈达玛积并加权压缩，逐层显式产出向量级高阶交叉（Ch3.2）。
局部激活（Local Activation, DIN） — 用户兴趣表示随候选广告动态变化，由注意力机制加权历史行为得到（Ch3.3）。
辅助损失（Auxiliary Loss, DIEN） — 逼 GRU 隐状态预测下一步行为，使其学到有意义的兴趣表示（Ch3.3）。
AUGRU（Attention Update Gate GRU, DIEN） — 用注意力得分缩放 GRU 更新门，让相关兴趣顺畅传递、抑制兴趣漂移（Ch3.3）。
会话（Session, DSIN） — 一段时间内意图集中的行为单元；DSIN 以会话为基本单元做分层序列建模（Ch3.3）。
负迁移 / 跷跷板（Negative Transfer / Seesaw） — 多任务硬共享时，任务梯度冲突导致提升一目标损害另一目标的现象（Ch3.4）。
MMoE（Multi-gate Mixture-of-Experts） — 每任务配专属门控，对共享专家加权融合，实现梯度软隔离以缓解冲突（Ch3.4）。
PLE / CGC（Progressive Layered Extraction / Customized Gate Control） — 显式分离共享专家与任务专家，物理切断跨任务梯度干扰路径（Ch3.4）。
样本选择偏差（Sample Selection Bias, ESMM） — CVR 模型在点击样本训练、全量曝光预估，导致训练/预估分布不一致（Ch3.4）。
全空间建模（Entire Space, ESMM） — 用 $pCTC V R = pCTR \times pC V R$ 在曝光空间联合优化，化解 CVR 的偏差与稀疏（Ch3.4）。
Uncertainty Weight（UWL） — 按任务不确定性动态调损失权重，不确定小且损失大时降权（Ch3.4）。
GradNorm — 按梯度量级与相对训练速率动态平衡多任务损失（Ch3.4）。
帕累托优化（Pareto Optimization） — 用 KKT 条件把损失权重作为可学习变量，把优化引向帕累托前沿（Ch3.4）。
多场景建模（Multi-scenario） — 不同场景/分布下预估同一目标，需兼顾共性与特性（区别于多任务）（Ch3.5）。
STAR FC（Star Topology FCN） — 每层参数由共享与场景私有参数元素积融合 $W_{p}^{⋆} = W_{p} \otimes W$ （Ch3.5）。
分区归一化（Partitioned Normalization, PN） — 按场景分别统计 Batch Norm 的均值/方差，避免跨场景分布混淆（Ch3.5）。
Gate NU（PEPNet） — 轻量门控单元，由先验特征生成动态缩放权重调制共享参数（Ch3.5）。
EPNet / PPNet（PEPNet） — EPNet 做场景级 Embedding 个性化，PPNet 做样本级任务塔参数个性化（Ch3.5）。
APG（Adaptive Parameter Generation） — 由样本感知输入动态生成参数矩阵，并用低秩分解控制开销（Ch3.5）。
M2M（元学习多场景多任务） — 用元学习器根据场景/输入特征动态生成任务模型参数（Ch3.5）。

STAR FCN（Star Topology FCN） — 每层参数由共享与场景私有参数元素积融合 $W_{p}^{⋆} = W_{p} \otimes W$ 。

Part 4 · 重排多样性建模

列表同质化（List Homogenization） — 精排逐点最优化导致头部物品高度相似的现象，是重排存在的根本动机。
最大边际相关（MMR, Maximal Marginal Relevance） — 用 $λ \cdot Rel - (1 - λ) max Sim$ 的边际收益公式，以贪心方式在相关性与多样性间权衡（Ch4.1）。
滑动窗口 MMR（MMR with Window） — 只用最近 $w$ 个已选物品计算相似度惩罚的 MMR 变体，用于长列表降成本（Ch4.1）。
行列式点过程（DPP, Determinantal Point Process） — 用核矩阵行列式度量集合多样性的概率模型，能精确刻画多物品间的相互排斥（Ch4.1）。
核矩阵（Kernel Matrix, $L$ ） — DPP 中融合相关性与多样性的半正定矩阵，构造为 $L = Diag (r) \cdot S \cdot Diag (r)$ （Ch4.1）。
Cholesky 加速 — 利用 $L_{Y_{g}} = V V^{⊤}$ 分解，把 DPP 贪心选择简化为每轮取 $ar g max lo g (d_{i}^{2})$ 的高效求解法（Ch4.1）。
个性化重排（Personalized Re-ranking） — 把用户个性化信号深度融入列表级优化、由模型端到端学习最优列表的重排范式（Ch4.2）。
PRM（Personalized Re-Ranking Model） — 用 Transformer 编码列表、融合个性化向量（PV）实现端到端个性化重排的模型（Ch4.2）。
个性化向量（PV, Personalization Vector） — PRM 中由预训练 CTR 模型隐藏层激活提取的用户-物品偏好向量，是 PRM 个性化的核心（Ch4.2）。
排列变异影响（Permutation-Variant Influence） — 相同物品、不同排列顺序导致用户行为不同的现象，是 PRS 的动机（Ch4.2）。
PRS（Permutation Retrieve System） — 直接优化排列顺序体验收益的重排模型，采用 PMatch + PRank 两阶段化解 $n!$ 组合爆炸（Ch4.2）。
FPSA（Fast Permutation Searching Algorithm） — PRS 的 PMatch 阶段算法，用 beam search 结合 CTR/Next 双模型快速生成候选排列（Ch4.2）。
DPWN（Deep Permutation-Wise Network） — PRS 的 PRank 阶段网络，用 Bi-LSTM 评估候选排列质量，以 List Reward（LR）为指标选最优（Ch4.2）。
List Reward（LR） — PRS 中排列所有位置预测点击概率之和，用于比较候选排列的整列收益（Ch4.2）。

重排（Re-ranking） — 三阶段漏斗最末端，对精排输出的候选列表做列表级优化（多样性、新颖性、业务规则）以最大化整屏体验。

Part 5 · 前沿趋势

数据偏差（Data Bias） — 推荐数据在收集阶段就因系统策略、用户习惯等带来的系统性失真（Ch5.1）。
选择偏差（Selection Bias） — 显式反馈中用户只评分感兴趣内容，导致观测数据不代表真实态度（MNAR）（Ch5.1）。
曝光偏差（Exposure Bias） — 隐式反馈中用户只能看到被推荐的物品，未交互可能源于未曝光而非不感兴趣（Ch5.1）。
从众偏差（Conformity Bias） — 用户受群体意见影响而附和给出非独立、非真实的评价（Ch5.1）。
位置偏差（Position Bias） — 列表推荐中用户更关注排在前面的物品，使点击受位置而非相关性影响（Ch5.1）。
非随机缺失（MNAR, Missing Not At Random） — 观测到的评分并非随机样本，导致统计偏差（Ch5.1）。
流行度偏差（Popularity Bias） — 模型过度学习热门物品交互模式，致推荐偏向热门、长尾难被发现（Ch5.1）。
反馈闭环（Feedback Loop） — 推荐结果影响用户未来行为，行为又成新训练数据，使偏差被滚雪球放大（Ch5.1）。
马太效应（Matthew Effect） — 热门物品因曝光多而交互多、再获更多曝光的「富者愈富」恶性循环（Ch5.1）。
逆倾向得分（IPS, Inverse Propensity Score） — 用观测概率的倒数作样本权重，逆转选择/曝光偏差，得到无偏风险估计（Ch5.1）。
权重截断（Weight Clipping） — 对 IPS 极端权重做上限截断，在无偏与低方差间折中（Ch5.1）。
位置感知学习（PAL, Position-bias Aware Learning） — 把点击概率分解为「看到概率 × 看到后点击概率」，在架构上解耦位置与偏好（Ch5.1）。
冷启动（Cold Start） — 新物品或新用户缺乏历史交互，传统协同过滤难以服务的困境（Ch5.2）。
CB2CF（Content-Based to Collaborative Filtering） — 学习内容特征到协同过滤表示的映射，使新物品直接获得 CF 质量表示（Ch5.2）。
映射网络（Mapping Network） — CB2CF 核心，多层全连接，学内容空间到 CF 嵌入空间的非线性映射（Ch5.2）。
MetaEmbedding — 用元学习优化「可快速适应」的初始 embedding 生成器，改善物品冷启动（Ch5.2）。
MAML（Model-Agnostic Meta-Learning） — 「学会如何学习」的元学习框架，学良好初始化以少量样本快速适应新任务（Ch5.2）。
MeLU（Meta-Learned User preference estimator） — 基于 MAML 的用户冷启动方法，把每用户当独立任务快速适应（Ch5.2）。
POSO（Personalized Cold Start Modules） — 用人群专用子模块 + 个性化门控解决用户冷启动的架构方法（Ch5.2）。
生成式召回（Generative Retrieval） — 把推荐重定义为序列生成，自回归预测下一个物品的生成式范式（5.3 生成式范式演进）。
事件流（Event Stream） — HSTU 把用户属性、行为、时间戳统一编码成的异构序列表示（5.3 生成式范式演进）。
语义 ID（Semantic ID） — TIGER 用 RQ-VAE 把物品内容编码成的结构化 Token 元组，携带语义、支持知识共享与冷启动（5.3 生成式范式演进）。
RQ-VAE（Residual Quantization VAE） — 残差量化变分自编码器，逐层量化残差生成语义 ID（5.3 生成式范式演进）。
端到端统一生成（End-to-end Generative） — 用单一模型完成从召回到排序全流程的生成式形态（5.3 生成式范式演进）。
稀疏专家混合（MoE, Mixture-of-Experts） — OneRec 解码器中激活少数专家子网络以增容量不增算力（5.3 生成式范式演进）。
迭代偏好对齐（IPA, Iterative Preference Alignment） — OneRec 用奖励模型从多候选中构造选择/拒绝对、以 DPO 对齐偏好的机制（5.3 生成式范式演进）。
DPO（Direct Preference Optimization） — 直接偏好优化，无需独立 critic 即可用「选择/拒绝」对比对优化策略（5.3 生成式范式演进）。

下篇术语 · 生成式推荐主线

结果偏差（Result Bias） — 有偏数据经模型训练后体现在推荐结果中的偏差。
不公平性（Unfairness） — 系统对某些用户群体或物品类别产生系统性歧视。
倾向得分（Propensity Score） — 用户-物品交互被观测到的概率 $P (O_{u, i} = 1)$ ，IPS 加权的分母。
朴素估计量（Naive Estimator） — 直接在观测数据上求平均的评估量，选择偏差下是有偏的。
半合成实验（Semi-synthetic Experiment） — 用真实数据集补全为 ground truth 再按偏差模型采样，制造「已知答案」以量化纠偏效果。
ProbSeen 模块 — PAL 中仅输入位置、输出被看到概率的轻量模块。
pCTR 模块 — PAL 中不含位置信息、建模用户真实偏好的深度模块；推理时单独使用以去偏。
个性化淹没（Submergence） — 新用户远少于老用户时，其个性化信号被多数老用户数据主导的训练过程淹没。
内容冷启动（Item Cold Start） — 新物品缺用户交互，协同过滤无法计算其相似度。
用户冷启动（User Cold Start） — 新用户缺行为历史，只能获得基于流行度的通用推荐。
约束优化模块（Constraint Optimization） — CB2CF 中用余弦相似度约束保证映射后与真实 CF 嵌入语义一致。
元损失（Meta Loss） — MetaEmbedding 中平衡初始质量与适应后性能的损失，如 $l_{m e t a} = α l_{a} + (1 - α) l_{b}$ 。
参数分离（Parameter Separation） — MeLU 把共享 embedding 参数 $θ_{1}$ 与快速适应用的决策参数 $θ_{2}$ 分开。
个性化门控（Personalized Gating） — POSO 中按用户特征（如 is_new_user）输出各子模块权重的网络。
点向聚合（Pointwise Aggregation） — HSTU 摒弃 softmax 归一化、保留用户偏好强度的注意力聚合机制。
生成式排序（Generative Ranking） — 把自回归生成思想引入排序阶段（如 GenRank、MTGR）。
动作导向（Action-oriented） — GenRank 预测用户对候选的动作概率而非物品 ID，降低计算开销。
用户样本聚合（User Sample Aggregation） — MTGR 把用户全部候选聚为单样本，共享用户特征计算。
组层归一化（GLN, Group Layer Normalization） — MTGR 对不同语义空间 token 分别归一化。
会话级生成（Session-level Generation） — OneRec 直接生成一组有序推荐列表（一个「会话」）而非单一下一个物品。

Part 6 · 生成式推荐范式基础

生成式推荐（Generative Recommendation） — 把推荐重定义为序列生成任务，模型直接学习用户交互序列的生成概率并自回归产出物品序列，而非对候选逐一打分。
判别式推荐（Discriminative Recommendation） — 学习条件概率 $p (y = 1 ∣ u, i, c)$ ，对给定候选物品预测正向交互概率的建模范式。
自回归建模（Autoregressive Modeling） — 当前预测依赖之前所有已生成输出的生成方式，使信息在时间维度形成循环流动、天然捕捉序列依赖。
原子 ID（Atomic ID） — 传统推荐为每个物品分配的随机唯一数字编号，彼此正交无语义关联，难以泛化到新物品。
语义 ID（Semantic ID, SID） — 把物品表示为固定长度的离散 token 序列，每个 token 来自可控大小的语义码本，既编码层次化语义又保留协同信息。
物品 Token 化（Item Tokenization） — 将推荐系统中的物品转化为生成式模型可理解、可生成的 token 序列的关键技术，是连接传统推荐数据与生成式模型的桥梁。
Transformer — 基于自注意力机制的深度架构，擅长并行捕捉长程依赖，是生成式推荐与 LLM 的主流骨干。
自注意力（Self-Attention） — 通过 Query/Key/Value 的「查询—匹配—聚合」机制，让序列每个位置动态聚焦任意其他位置信息的注意力计算。
多头注意力（Multi-Head Attention） — 并行计算多组独立 Q/K/V、各自学习不同关注模式的注意力机制，类似多个「专家」从不同角度理解序列。
位置编码（Positional Encoding） — 为序列各位置注入顺序信息的编码，分绝对（正弦/可学习）与相对（偏置）两类，推荐中常扩展为时间感知编码。
相对时间位置编码（Relative Temporal Positional Encoding） — HSTU 等采用的时间编码，以 $lo g (Δ t + 1)$ 建模行为间时间间隔，使模型兼顾长短期兴趣。
Encoder-Decoder 架构 — 双塔生成架构：Encoder 双向理解输入、Decoder 因果自回归生成，并以交叉注意力动态查询输入，适合异构输入输出。
Decoder-Only 架构 — 统一单塔生成架构：输入与输出拼接为连续序列、仅靠因果自注意力自回归生成，参数高效、MFU 高、兼容 LLM 生态。
因果掩码（Causal Masking） — 在注意力矩阵中对未来位置施加 $- \infty$ 的掩码，保证预测第 $t$ 个 token 时只能依赖前 $t - 1$ 个，实现自回归并支持训练并行。
Diffusion 模型（扩散模型） — 通过前向逐步加噪、反向迭代去噪从噪声恢复数据的生成范式，分数据空间与潜在空间两类，与 Transformer 互补。
Scaling Law（规模化效应） — 模型性能随参数量、数据量、计算量增长而持续提升的经验规律，支撑生成式模型的参数扩展。
涌现能力（Emergent Abilities） — 模型规模与数据达到阈值后突然出现的零样本/少样本等能力。
预训练（Pre-training） — LLM 第一阶段，在大规模无标注文本上以因果语言建模（下一 token 预测）学习目标，建立通用语言生成能力。
指令微调（Instruction Tuning / SFT） — LLM 第二阶段，用「指令—输入—输出」三元组做条件语言建模，仅对输出算损失，使模型学会遵循指令。
偏好对齐（Preference Alignment） — LLM 第三阶段，让输出更符合人类价值观与偏好，方法含 RLHF 与 DPO。
RLHF（基于人类反馈的强化学习） — 收集人类偏好对训练奖励模型，再以 PPO 强化学习优化生成策略并用 KL 散度约束参考模型。
DPO（直接偏好优化） — 无需显式奖励模型与强化学习，用策略与参考模型比值隐式表示奖励、以似监督方式优化偏好的对齐方法。
VQ-VAE（向量量化变分自编码器） — 用可学习码本将连续语义向量离散化为单一码本索引的自编码器，是语义 ID 离散化的奠基技术。
码本（Codebook） — VQ/RQ 系列中可学习或聚类的离散向量集合，每个向量（码字）对应一个语义 token。
直通估计器（Straight-Through Estimator, STE） — 训练量化模型时，前向执行离散量化、反向把量化近似为恒等映射以传递梯度的技巧。
RQ-VAE（残差量化 VAE） — 通过多层残差量化把连续向量编码为长度 $L$ 的 token 序列、容量达 $K^{L}$ 并自然涌现层次化语义的模型。
RQ-Kmeans — 用 K-means 聚类替代梯度学习来构建码本的残差量化方案，将表示学习与码本构建解耦，新物品可经向量检索分配 SID。
RQ-OPQ — RQ 处理层次化语义、OPQ（优化乘积量化）处理最后一层残差中独特属性的混合编码方案，兼顾召回与长尾精确区分。
SID 冲突（SID Collision） — 量化信息损失导致不同物品映射到相同 SID 序列的现象，可通过均匀分配或混合编码消歧缓解。

Part 7 · Scaling 生成式排序

Scaling Law（缩放定律） — 在合适架构下，模型性能随计算量、数据量、参数量增加呈可预测幂律提升的规律，形式常为 $L = L_{0} + β ln C$ 。
DLRM（Deep Learning Recommendation Model） — 传统深度学习推荐模型，依赖手工特征、异构模块与 item-level 逐候选打分，是 Scaling Law 长期失效的代表。
Generative Recommender / GR（生成式推荐） — Meta 提出的范式，把推荐视为内容与行为交织的随机过程，用统一序列 + 自回归训练实现 user-level 建模。
HSTU（Hierarchical Sequential Transduction Unit） — Meta 为推荐场景定制的序列模型，三大创新：Pointwise Aggregation、相对时间偏置、门控前馈，首次验证推荐界 Scaling Law。
Pointwise Aggregation — HSTU 用 SiLU 逐元素聚合（非 Softmax 归一化）替代标准 attention，保留兴趣的「绝对强度」信息。
相对注意力偏置 / RAB（rab） — HSTU 在 attention score 中加入可学习偏置，同时考虑位置差、时间差与 token 类型，建模非均匀时间模式。
Stochastic Length（随机长度） — HSTU 的训练技巧：以一定概率随机截断超长序列，降 $O (n^{2})$ 复杂度并起正则化作用，参数 $α$ 控制激进度。
M-FALCON — HSTU 的推理算法：Batched Inference → Microbatching → KV Caching 三层优化，把多候选排序推理数百倍加速。
Action-Oriented Organization（行为导向组织） — GenRank 的序列组织：把行为作主体、物品作属性（ $[a_{i}^{(x_{i})}]$ ），序列长度减半、训练提速约 79%。
ALiBi（Attention with Linear Biases） — 无参数相对位置偏置：给距离远的 query-key 对施加与距离成正比的惩罚，可直接融入 FlashAttention kernel。
MTGR（Meituan Generative Recommendation） — 美团的混合范式：用生成式架构（Transformer + user-level 聚合）做判别式排序，保留传统交叉特征。
Group Layer Normalization / GLN（分组层归一化） — MTGR 按 token 类型（User/Seq/RT/Cand）分组独立归一化，解决异构 token 的语义空间冲突。
Dynamic Masking（动态掩码） — MTGR 按每样本 token 实际时间戳动态生成 attention mask：静态全可见、动态按因果、候选间独立，防信息泄露。
MFU（Model FLOPs Utilization，模型浮点利用率） — GPU 上有效矩阵乘法计算占总理论算力的比例；传统 DLRM 约 4–5%，LLM 约 40–60%。
RankMixer — 阿里的 hardware-aware 架构：用 Token Mixing 替代 Self-Attention、Per-Token FFN 捕捉异质性、Sparse MoE 扩展参数，把 MFU 拉到 45%。
Token Mixing（令牌混合） — RankMixer 的核心操作：在特征维度（按 head 重组）做信息混合而非 token 对相似度，复杂度从 $O (T^{2} D)$ 降到 $O (T D^{2})$ 。
Per-Token FFN（逐令牌前馈） — RankMixer 为每个 token 配备独立 FFN 参数以捕捉异构特征空间，计算复杂度与共享 FFN 相同但参数更专门化。
ReLU Routing / DTSI-MoE — RankMixer 的稀疏专家策略：ReLU 路由动态激活不同数量 expert；Dense-Training/Sparse-Inference 用双 router 兼顾充分训练与高效推理。
OneTrans — 字节的统一架构：单一 Transformer backbone 同时做序列建模与特征交互，打破 encode-then-interaction 的模块碎片化。
Mixed Parameterization（混合参数化） — OneTrans 的参数组织：S-tokens（序列）共享参数、NS-tokens（非序列）独立参数，解决 token 异质性冲突。
Pyramid Stack（金字塔堆叠） — OneTrans 的渐进式蒸馏：逐层只保留尾部 query token、KV 用全部 token，把信息蒸馏到尾部并降计算量。
Cross-Request KV Caching — OneTrans 跨请求复用用户侧 KV 缓存（仅追加新增事件），使每请求序列计算近似 $O (1)$ （相对候选数）。
encode-then-interaction（先编码后交互） — 传统分离式范式：序列模块编码为定长向量后再与静态特征拼接做特征交互，信息流受限且执行碎片化。

Part 8 · 端到端生成式应用

多阶段级联架构（Multi-stage Cascading Architecture, MCA） — 传统推荐/搜索/广告系统采用的漏斗式多模块架构（召回→预排序→排序→重排），各阶段独立优化、目标可能冲突。
语义 ID（Semantic ID） — 把离散业务对象（物品/商品/广告）编码为由粗到细的多层离散 Token 序列，使生成模型能在可控词表内「说出」该对象。
RQ-Kmeans（Residual Quantization K-means） — 在残差表示上逐层做 K-means 聚类以构建码本的层次化量化方法；与端到端训练的 RQ-VAE 相对，RQ-Kmeans 直接建码本、非端到端。
RQ-VAE（Residual Quantized VAE） — 残差量化变分自编码器，端到端训练把连续表示离散化为多层语义 ID，常见于 EGA。
Encoder-Decoder 生成架构 — 编码器双向融合用户/查询上下文、解码器自回归生成目标语义 ID 序列的统一生成结构。
Lazy Decoder-Only — OneRec-V2 架构：把上下文预处理为静态键值对（Context Processor），解码器仅对目标 Token 计算损失，将算力集中到产生梯度的目标上。
Scaling Law（规模律） — 模型损失随参数量幂律衰减的可预测规律；OneRec-V2 在推荐模型上验证了该规律。
挤压效应（Squeezing Effect） — 强化学习后模型把概率质量压到当前最优输出，使部分合法 Token 概率被压到与非法 Token 相近，导致难分。
格式奖励（Format Reward） — 对合法生成样本设优势、丢弃非法样本，以缓解挤压效应、保证生成序列可映射到真实对象。
P-Score（Preference Score） — OneRec 用神经网络学习的个性化多目标偏好分数，作为强化学习对齐的奖励信号。
ECPO（Early Clipped GRPO） — 对负优势样本的策略比率预先裁剪的偏好优化算法，避免 GRPO 的梯度爆炸。
GBPO（Gradient-Bounded Policy Optimization） — 用 BCE 损失的稳定梯度界定 RL 梯度的策略优化算法，支持完整样本利用与有界梯度稳定化。
PRE（Prefix2Query Representation Enhancement） — OneSug 的前缀表示增强模块，用共现查询检索增强短前缀语义。
RWR（Reward-Weighted Ranking） — OneSug 的奖励加权排序策略，用六级交互反馈构造偏好对、把业务价值注入排序。
KHQE（Keyword-enhanced Hierarchical Quantization Encoding） — OneSearch 的关键词增强分层量化编码：前 3 层 RQ-Kmeans 保语义层次、后 2 层 OPQ 保商品独特性。
OPQ（Optimized Product Quantization） — 优化乘积量化，把残差切分子向量独立量化，编码商品的独特属性。
Mu-Seq（Multi-view behavior Sequence injection） — OneSearch 从用户 ID 构造、短期序列、长期序列三视角注入用户行为的策略。
PARS（Preference-Aware Reward System） — OneSearch 的偏好感知奖励系统，含多阶段 SFT 与自适应奖励模型，并把相关性权重放大 10 倍。
激励相容（Incentive Compatibility, IC） — 机制设计性质：广告主如实出价是最优策略。
个体理性（Individual Rationality, IR） — 机制设计性质：广告主支付不超过其申报竞价（ $p_{i} \leq b_{i}$ ）。
位置外部性（Position Externality） — 广告的 CTR 受其所在序列其他广告与位置影响，而非相互独立。
EGA（End-to-end Generative Advertising） — 把竞价机制与生成模型统一、通过 Token 级竞价与 POI 级支付实现 IC/IR 的端到端生成式广告系统。
POI（Point of Interest） — 兴趣点，如餐厅、健身房等商户实体，是广告生成中的内容主体。
Token 级竞价（Token-level Bidding） — 用最大值聚合把广告竞价投影到语义 Token，引导生成概率的分配机制。
POI 级支付网络（POI-level Payment Network） — 独立神经网络，学习满足 IC 约束的支付函数，与分配解耦。
Ex-post Regret — 广告主通过谎报竞价所能获得的最大额外效用；为 0 时机制满足 IC。
Lagrangian 优化 — 用对偶乘子把「最大化收益 + regret 约束」转化为可交替优化的损失。
GPR（Generative Pre-trained Recommender） — 用「预训练 + 微调」范式、统一多场景超长序列的端到端生成式广告系统。
四类 Token（U/O/E/I-Token） — GPR 的统一输入表示：User（用户）、Organic（有机内容）、Environment（环境）、Item（广告）。
RQ-Kmeans+ — 结合 RQ-Kmeans 高质量初始化与 RQ-VAE 端到端优化，缓解码本坍塌（codebook collapse）。
HHD（Heterogeneous Hierarchical Decoder） — GPR 的三层异构层次化解码器：HSD 意图理解、PTD 推理生成、HTE 价值评估。
MoR（Mixture-of-Recursions） — 同层递归调用自身多次以增加推理深度、不增参数的机制。
价值引导 Trie Beam Search（Value-Guided Trie-based Beam Search） — 依约束构建 Trie 前缀树、用 HTE 价值动态调整束宽与剪枝的解码算法。
HEPO（Hierarchy Enhanced Policy Optimization） — 同时在 Token 级与 Item 级做层次化策略梯度的强化学习算法。

Part 9 · 推荐中的思考与推理

协同语义 (Collaborative Semantics) — 推荐系统通过用户行为共现学习到的物品表示含义，编码在离散 ID 中，本身不携带文本语义（9.1）。
语言语义 (Language Semantics) — 大语言模型（LLM）通过预训练在文本上习得的词汇/句法关联含义（9.1）。
语义鸿沟 (Semantic Gap) — 协同语义（离散 ID）与语言语义（自然语言）之间无法直接对齐的隔阂（9.1）。
语义索引 / 语义 ID (Semantic Index) — 用层次化量化把物品编码为离散 token 序列（如 <A37><B12><C5><D8>），同时可被 LLM 理解并承载协同语义（9.1）。
均匀语义映射 (Uniform Semantic Mapping) — LC-Rec 在最后一层量化引入均匀分布约束、以最优传输（Sinkhorn-Knopp）缓解索引冲突的机制（9.1）。
多模态嵌入拼接 (Multimodal Embedding Concatenation) — PLUM 将文本/视觉/音频/协同四类嵌入拼接，融合异构信号构建语义 ID（9.1）。
多分辨率码本 (Multi-Resolution Codebook) — PLUM 在不同量化层使用不同大小码本（128/256/512/1024），契合从粗到细的信息论原理（9.1）。
显式推理 (Explicit Reasoning) — 模型在输出推荐前先生成结构化、可审查的推理链，区别于隐式黑箱打分（9.2）。
推理脚手架 (Reasoning Scaffolding) — OneRec-Think 用渐进 prompt 模板与任务引导模型「学会思考」的机制（9.2）。
多有效性 (Multi-Validity) — 推荐场景中同一用户常存在多个合理推荐，不存在唯一正确答案的特性（9.2）。
推荐特定奖励 (Recommendation-Specific Reward) — 综合协同相似度、内容相关性、推理连贯性、用户反馈的多维奖励函数（9.2）。
GRPO (Group Relative Policy Optimization) — 对同一样本采样多条 rollout，按相对奖励（而非绝对标准）更新策略的强化学习方法（9.2）。
Think-Ahead 架构 — 把密集推理从在线关键路径剥离、改为用户行为更新时异步预计算的部署策略（9.2）。
自主推理 (Autonomous Reasoning) — 模型在无人工模板、无教师示范下，仅凭任务反馈自主演化推理策略（9.3）。
模仿学习 (Imitation Learning) — OneRec-Think 等依赖人工模板/教师知识的推理学习范式（9.3）。
探索学习 (Exploratory Learning) — RecZero 依赖强化学习试错与反馈、自主摸索策略的学习范式（9.3）。
Think-before-Recommendation 模板 — RecZero 只定义「分析用户/分析物品/匹配/评分」四步框架、内容留给模型探索的提示（9.3）。
冷启动监督微调 (Cold-start SFT) — RecOne 用少量高质量（含纠偏）推理样本初始化推理能力（9.3）。
混合范式 (Hybrid Paradigm) — 监督提供「语言」、强化提供「智慧」，先框架后精进的推理学习思路（9.3）。

Part 10 · 扩散模型推荐

扩散模型 (Diffusion Model) — 通过前向逐步加噪、反向学习去噪来建模数据分布的生成模型（10.1）。
数据空间扩散 (Pixel-Space Diffusion) — 直接在原始数据空间（像素/交互向量）加噪去噪，代表为 DDPM；计算昂贵（10.1）。
潜在空间扩散 (Latent Diffusion, LDM) — 先编码到低维潜在空间再扩散、最后解码，代表为 Stable Diffusion；推荐中更常用（10.1）。
前向扩散 (Forward Diffusion) — 按马尔可夫链逐步向数据加高斯噪声，使 x_T 趋近标准高斯（10.1）。
反向去噪 (Reverse Denoising) — 训练去噪网络从 x_T 逐步恢复 x_0（10.1）。
重参数化技巧 (Reparameterization Trick) — 用 x_t = √ᾱₜ·x₀ + √(1−ᾱₜ)·ε 直接从 x₀ 采样任意 t 的加噪数据（10.1）。
ε-prediction — 去噪网络预测所加噪声；DDPM 标准参数化（10.1）。
x₀-prediction — 去噪网络直接预测原始数据；推荐场景更合适（10.1）。
分类器引导 (Classifier-Guided) — 用预训练分类器梯度把生成推向目标类别（10.1）。
无分类器引导 (Classifier-Free Guidance) — 训练时随机丢弃条件，推理时线性组合条件/无条件预测（10.1）。
v-prediction — 预测「速度」v = αₜε − σₜx₀ 的参数化，训练更稳定（10.3）。
序列增强 (Sequential Augmentation) — 为短序列用户生成「前序」交互以扩充历史；DiffuASR 为代表（10.2）。
Sequential U-Net (SU-Net) — DiffuASR 把嵌入序列当多通道「图像」处理的 U-Net 变体（10.2）。
舍入 (Rounding) — 把去噪后的连续嵌入映射回最近离散物品 ID（10.2）。
跨场景增强 (Multi-Scenario Augmentation) — 从数据丰富场景借知识增强冷启动场景；Diff-MSR 为代表（10.2）。
分段噪声策略 (Segmented Noise) — Diff-MSR 前期小 β 保留结构、后期线性增长以收敛到高斯（10.2）。
不对称扩散 (Asymmetric Diffusion) — 前向在原始特征空间用离散 dropout、反向在潜在空间去噪；AsymDiffRec 为代表（10.3）。
特征 dropout — AsymDiffRec 前向用随机丢弃特征模拟真实缺失，比高斯噪声更贴合推荐（10.3）。
步长嵌入 (Step Embedding) — 标记哪些特征缺失的二值向量，引导潜在空间补全（10.3）。
Slate — 一组需整体消费的物品集合（如歌单、套装），需协调性与多样性（10.3）。
DMSG — 用条件扩散从文本 prompt 生成多样化 slate 的模型，采用 v-prediction（10.3）。
DDIM 加速 — 把推理步数从上千减到数十的确定性采样加速（10.3）。

Part 11 · 生成式推荐系统实战

离线系统（Offline System） — 负责「生产」的子系统：处理全量历史数据、训练模型、计算物品向量与相似度，追求质量而非延迟，产出模型文件与特征索引。
在线系统（Online System） — 负责「服务」的子系统：接收实时请求、调用模型、组装推荐结果，目标百毫秒级延迟，依赖离线产出的模型与特征。
漏斗式架构（Funnel Architecture） — 工业推荐的经典结构：召回用轻模型快速筛候选、排序用重模型精打分、重排优化体验，逐级缩小候选规模。
Snake Merge（蛇形合并） — 多路召回融合策略：从各路召回中轮流取候选（A→B→C→C→B→A…），确保每路都有代表进入排序，提升多样性与覆盖。
冷启动（Cold Start） — 新用户/新物品缺乏行为数据，传统协同过滤与向量召回失效的现象；本项目用独立冷启动流程（UCB/偏好/热门）应对。
UCB（Upper Confidence Bound，置信上界） — 平衡探索与利用的算法：分数 = 历史平均奖励 + 探索奖励，未充分推荐的类型获得更高探索机会，避免信息茧房。
探索与利用（Exploration vs Exploitation） — 推荐中的基本权衡：利用是推荐已知高质量内容，探索是尝试新类型以发现潜在兴趣；UCB 用单一公式统一两者。
困难负样本（Hard Negatives） — 用户曝光过但未正向交互的物品，区分难度大，用于提升模型辨别力。
随机负样本（Random Negatives） — 从用户未交互物品中随机采样，扩充负样本数量；本项目与困难负样本按 1:2 混合成 1:3 正负比。
滑动窗口样本（Sliding Window Samples） — YoutubeDNN 训练样本的构建方式：给定用户前 $k$ 次观影，预测第 $k + 1$ 次，模拟「预测下一个观看」。
左填充（Left Padding） — 把变长行为序列在左侧补零到固定长度，使最近行为落在序列右侧，符合时间顺序，适配 RNN/Transformer。
物品向量预计算（Item Vector Pre-computation） — 离线用物品塔批量算出全量物品向量并归一化，供在线毫秒级向量检索；双塔可规模化的关键。
版本指针（Version Pointer，active.json） — 部署目录中的指针文件，记录当前应加载的模型版本路径；更新时先部署新版本再翻指针，实现无感知热更新与回滚。
连续打散（Consecutive Dispersion） — 多样性重排策略：不允许超过 $N$ 个相同属性（类型/年代）连续出现，在保序前提下提升列表多样性。
保序性（Order Preservation） — 重排算法在满足约束下尽量保持原排序，高分仍靠前、仅微调位置，兼顾相关性与多样性。
Pinia — Vue 官方推荐的状态管理库，以 Store 集中管理跨组件共享状态（如用户认证），状态变化驱动依赖组件自动重渲染。
防抖（Debounce） — 前端控制请求频率的技术：用户停止输入一段时间（本项目 300ms）后才真正发起请求，避免实时搜索刷爆 API。
单例模式（Singleton） — 在线资源加载的设计：进程级唯一实例，配合惰性加载，模型与词表只加载一次、被所有请求共享，避免重复加载与内存膨胀。
优雅降级（Graceful Degradation） — 模型不可用时退化为次优策略（如排序失败用召回分排序），保证服务高可用而非直接报错。
数据闭环（Data Loop） — 用户行为经前端采集回写后端与存储，更新特征后影响下一次推荐，使系统持续改进；前端是闭环的采集端。
Docker Compose — 声明式多容器编排工具，用单个 YAML 描述所有服务及其依赖、网络与卷，一条命令启动完整系统。
多阶段构建（Multi-stage Build） — Dockerfile 技巧：先用构建镜像（如 Node）生成产物，再把产物拷入轻量运行镜像（如 Nginx），最终镜像不含开发依赖。
命名卷（Named Volume） — Docker 持久化机制：把容器数据存于宿主机具名卷，容器删除后数据不丢；有状态服务（PG/Redis/ES）必须挂载。
健康检查（Healthcheck） — 容器定期执行探测命令（如 redis-cli ping），连续失败才判不健康，供依赖服务等待其就绪，保障启动顺序。
服务名 DNS（Service-name DNS） — Docker 网络内用服务名（如 postgres）解析到容器 IP，是容器间通信的正确方式（不用 localhost）。

Part 12 · 计算广告

12.1

计算广告（Computational Advertising） — 以最大化 ROI 为目标，对用户、上下文、广告三元进行匹配优化的技术与商业体系。
OpenRTB — IAB 制定的实时竞价通信规范：标准化 Bid Request（询价，携带广告位/上下文/用户标识/底价）与 Bid Response（出价/素材引用/监测 URL）两类消息；出价与素材解耦是关键工程约束。
出资人（Sponsor） — 广告定义三要素之一，为广告投放付费、有明确商业诉求的广告主。
媒介（Publisher） — 广告定义三要素之一，承载广告、掌握用户注意力的媒体或产品。
受众（Audience） — 广告定义三要素之一，广告信息触达的目标用户群体。
品牌广告（Brand Awareness） — 注重长期影响与认知建立的广告类型，典型度量是曝光与认知度。
效果广告（Direct Response） — 以短期转化行为（点击、注册、下单）为诉求的广告类型。
广告有效性模型 — 描述广告产生效果的六阶段漏斗：曝光→关注→理解→接受→保持→决策，归入选择、解释、态度三个阶段。
ROI（Return on Investment，投资回报率） — 广告投放的回报与投入之比，计算广告优化的核心目标。
eCPM（effective Cost Per Mille） — 千次展示期望收益，由点击率与点击价值相乘得到，广告排序与流量价值评估的统一口径。
CPM 市场 — 按展示付费的市场形态，点击率与点击价值的决策（与风险）全部交给广告主。
CPC 市场 — 按点击付费的市场形态，点击价值由广告主出价判断，点击率由平台动态预估。
CPA/CPS 市场 — 按行为/销售付费的市场形态，决策与风险全部归于平台，适合广告主转化流程高度一致的市场。
广告系统价值公式 — 广告系统价值 = 转化效率 × 计价机制 × 资源量 × 投放效率，理解广告技术演进的总纲。
广告网络（Ad Network） — 2.0 投放模式下聚合多媒体流量、卖人群不卖广告位的封闭中介系统，以 CPC 为主要计价方式。
程序化交易（Programmatic Trade） — 3.0 投放模式下经 DSP-ADX-SSP 完成的自动化、单次展示粒度的广告交易。
广告交易平台（Ad Exchange, ADX） — 用实时竞价方式连接广告与（上下文、用户）、按展示粒度竞价结算的交易中枢。
需求方平台（Demand-Side Platform, DSP） — 服务广告主的需求侧技术平台，提供定制化用户划分、跨媒体流量采购与 RTB 出价。
供应方平台（Supply-Side Platform, SSP） — 服务媒体的供给侧技术平台，核心功能是收益管理，统一优化多种变现方式。
数据管理平台（Data Management Platform, DMP） — 为网站提供数据加工与对外交易能力的平台，以定制化用户划分和统一数据接口为特征。
广告购买平台（Trading Desk） — 面向需求方、允许广告商跨广告网络采买与 ROI 优化的工具，常由代理公司孵化。
实时竞价（Real-Time Bidding, RTB） — 每次广告展示实时向多家 DSP 询价、价高者得的程序化交易机制。
Cookie Mapping（用户身份匹配） — RTB 前置阶段，由 DSP 发起建立媒体 Cookie 与 DSP 用户 ID 对照表，Mapping 表存于需求方端。
Ad Call（广告请求） — RTB 竞价阶段：ADX 广播询价请求，DSP 返回出价，最高者赢得展示。
担保式投送（Guaranteed Delivery） — 基于合约、约定展示量未完成需补偿的优先销售交易形态，以 CPM 结算、量优先于质。
优选（Preferred Deal） — 广告主按约定价格优先挑选流量、无需公开竞价的一对一议价交易方式。
网络优化（Network Optimization） — 媒体将流量交给广告网络整体变现的交易方式，属组合优化。
定向（Targeting） — 从广大受众中找到广告目标受众的技术，是受众与广告匹配度的专业叫法。
上下文定向 — 根据页面内容与场景信息匹配广告的定向技术，工程上以 Near-line 上下文系统实现。
行为定向 — 基于用户行为日志的定向技术，行为按信息强度排序且越靠近需求、越主动的行为越有效。
重定向（Retargeting） — 广告主提供受众信息、系统从供应方流量中找回这些已触达用户的系统定向技术。
个性化重定向（Personalized Retargeting） — 重定向的纵向延伸：对老用户推送商品粒度的个性化广告，相当于站外推荐引擎。
搜索重定向（Search Retargeting） — 重定向的横向延伸：把搜索过特定关键词的用户定向到广告主网站。
新客推荐（Look-alike） — 广告主提供种子用户，DSP 通过行为相似性在供应方受众中寻找潜在新用户的定向技术。
种子用户（Seed Audience） — 新客推荐中广告主提供的高价值目标人群样本。
信息流广告（Feed Ads） — 混排在用户阅读信息流中、形态与内容相似的广告形式，平衡广告效果与用户体验的正面典型。
植入式原生广告（Native Ads） — 融入产品内容与服务形态、与内容深度结合的广告形式。
点击价值（Click Value） — 一次点击带来的期望收益，与点击率共同构成 eCPM。
竞价行情预估（Bid Landscape Prediction） — DSP 预测流量竞价分布以决定采买策略的核心问题，其拿到的流量是出价的函数。
收益管理（Yield Optimizer） — SSP 的核心功能，统一优化优先销售、网络与 RTB 流量以最大化媒体收益。

12.2

广告主（Advertiser） — 出资购买广告并按最终效果反推单次广告价值的一方，是需求侧的决策主体。
媒体/供应方（Supply Side） — 拥有广告位与流量的内容或应用方，关心单位广告资源能产生多少收入。
效果广告（Direct Response） — 以短期转化行为为诉求的广告形态，供应方根据广告效果计算广告量，按效果计费、竞价交易。
品牌广告（Brand Awareness） — 注重长期品牌影响的广告形态，根据展示量计费，以合约方式交易，常见于核心 banner 等优质位置。
CPT（Cost Per Time，包时段付费） — 按广告位占用时长（包月、包周）收费的模式，省心但计量粗糙，无法保障客户利益。
CPD（Cost Per Day，包天付费） — 按天买断广告位的计费模式，多见于合约的品牌广告；对合作条件要求低，但长期不如 CPS 实时有效。
CPM（Cost Per Mille，千次展示付费） — 按每千次展示收费的计费模式，公式为消耗/展现×1000，常见于 RTB，风险主要由广告主承担。
CPC（Cost Per Click，每点击付费） — 按每次点击收费的计费模式，公式为消耗/点击，是广告主与平台风险的折中点，常见于关键词广告与 RTB。
CPA（Cost Per Action，按行为付费） — 按注册、下单等用户行为收费的计费模式，点击率与价值皆动态，决策与风险归于平台。
CPS（Cost Per Sales，按销售付费） — 按实际销售提成换算广告金额的计费模式，广告主规避费用风险，常见于网络联盟。
dCPM（dynamic CPM，动态千次展示付费） — DSP 普遍采用的结算体系，每次 impression 的出价依据投放效果实时计算，对广告主按效果优化、与媒体仍按展示结算。
flat CPM（固定千次展示付费） — 与 dCPM 相对，千次展示价格固定不变的传统 CPM。
消耗（Spend） — 广告主投放广告的花费，是 CPM、CPC、ROI 等公式的分子口径。
CTR（Click-Through Rate，点击率） — 点击量与展现量之比，衡量一个广告在多次展现中用户的平均点击次数。
CVR（Conversion Rate，转化率） — 下单量与点击量之比，衡量用户点击与最终下单之间的关系。
ROI（Return On Investment，投资回报率） — 下单金额与消耗金额之比，衡量广告花费与带来成交额的回报关系。
eCPM（effective/expected CPM，千次展示期望收益） — 每千次展示的期望收益；CPC 计费下等于 pCTR×bid×1000，CPM 计费下等于出价，是跨计费模式的统一排序度量衡。
担保式投送（Guaranteed Delivery, GD） — 基于合约的广告投送机制：约定展示量未完成需补偿、量优先于质、按 CPM 结算、由服务端决策。
在线分配（Online Allocation） — 把广告与 (Context, User) 流量的匹配建模为 Ad→(Context,User) 二部图优化，在满足各合约量的约束下分配展示，经典解法是构造对偶问题。
流量预测（Traffic Forecasting） — 对未来各定向流量规模的估计，可视为以广告为 Query、对 (u,c) 空间的反向检索问题，需对 u、c 分别处理。
独占要求（Exclusivity） — 合约销售中品牌广告主对曝光的排他性要求（如竞品排斥），进一步收紧在线分配的可行空间。
广告层级结构（creative/solution/campaign/advertiser） — 从创意、投放单元、广告计划到广告主的层级组织，用于新广告 CTR 的 back-off 先验估计。
back-off（回退估计） — 统计缺失时逐级上退到更粗层级借用统计量的估计策略，用于新广告冷启动的 CTR 估计。
动态特征（Dynamic Features） — 在标签组合维度上聚合的点击反馈统计特征，响应快、对新组合 back-off 强，但在线存储与更新代价高。
在线学习（Online Learning） — 让模型随新数据流式更新以捕捉动态特性的方案，与动态特征构成「调模型 vs 调特征」的权衡。
E&E（Exploration & Exploitation，探索与利用） — 为长尾 (a,u,c) 组合创造展示机会以累积统计量、从而更准确估计 CTR 的框架，需严格控制探索的量与有效性。
ε-greedy — 以 ε 比例流量随机探索、其余利用当前最优的多臂老虎机策略。
UCB（Upper Confidence Bound，上置信界） — 为每个候选计算期望收益的上置信界并选最大者的策略，选择次数越多上界越逼近真实期望。
Contextual Bandit（上下文老虎机） — 用 arm 的特征矢量代替 arm 本身做决策从而降维的 E&E 方法，适合候选空间巨大的广告场景。
GSP（Generalized Second Pricing，广义第二高价） — 胜者按下一名折算价格支付的竞价机制，简单易行、被在线广告系统广泛采用，但整体市场并非 truth-telling（详见 12.3）。
个体理性（Individual Rationality, IR） — 广告主支付不超过其出价的基本参与约束，如 GSP 支付价 ≤ 胜者 bid。

12.3

竞价机制（Auction Mechanism） — 规定广告坑位如何分配与计费的制度设计，由分配规则与定价规则两部分构成。
位置拍卖（Position Auction） — 多个广告主竞争多个仅有点击率差异的坑位的拍卖模型，期望价值 $u_{i s} = v_{i} \cdot x_{s}$ 。
估值（Valuation） — 广告主对一次点击的真实价值判断，是其私人信息，平台不可见。
出价（Bid） — 广告主向平台申报的每次点击愿意支付的价格（CPC 口径）。
位置点击率（Position CTR） — 坑位 $s$ 的点击率 $x_{s}$ ，位置越靠前越大，是坑位间唯一差异。
分配规则（Allocation Rule） — 机制中「谁赢哪个坑」的规则，竞价广告中通常为按出价（乘质量分）降序分配。
定价规则（Pricing Rule） — 机制中「赢家付多少」的规则，决定广告主是否愿意如实出价。
广义第一高价（Generalized First Price, GFP） — 按出价排序分配坑位、每人按自己出价支付的机制，无纯策略纳什均衡、市场震荡，已被淘汰。
纳什均衡（Nash Equilibrium） — 任何一方单独改变策略都无法获益的策略组合。
纯策略纳什均衡（Pure-Strategy Nash Equilibrium） — 每个参与者选定一个确定性策略构成的纳什均衡；GFP 不存在。
二价拍卖（Second-Price Auction / Vickrey Auction） — 最高出价者赢、按第二高出价支付的单坑位拍卖，如实出价是占优策略。
占优策略（Dominant Strategy） — 无论对手如何行动都最优的策略；二价拍卖中说真话即占优策略。
广义第二高价（Generalized Second Price, GSP） — 第 $i$ 位广告主按下一名 eCPM 折算支付 $p_{i} = b_{i + 1} x_{i + 1} / x_{i}$ 、末位付保留价的机制，被在线广告系统广泛采用。
保留价（Reserve Price） — 平台设置的最低成交价，末位广告主或无竞争者时按其支付。
激励兼容（Incentive Compatibility, IC） — 如实报告估值是占优策略的性质：谎报不能提高效用。
个体理性（Individual Rationality, IR） — 参与拍卖不会使参与者效用为负，即支付不超过申报价值 $p_{i} \leq b_{i}$ 。
Truth-telling（如实出价） — 广告主按真实估值出价 $b_{i} = v_{i}$ 的行为；VCG 整体市场满足，GSP 不满足。
对称纳什均衡（Symmetric Nash Equilibrium, SNE） — GSP 存在的稳定均衡，满足无妒忌性质。
无妒忌（Envy-free） — 均衡中没有人想与他人互换位置的分配性质：顶到他人位置需付他人价格，效用不增。
VCG 机制（Vickrey-Clarke-Groves Mechanism） — 按参与者给其他人造成的外部性损害收费的机制，整体市场 truth-telling，单坑位退化为二价。
外部性（Externality） — 一个参与者的在场给其他所有参与者造成的福利损失，即「你不在场，其他人本可多赚多少」。
赢家诅咒（Winner's Curse） — 以虚高出价赢下超过自身估值的坑位而招致负效用的情形，一价拍卖下常见。
一价拍卖（First-Price Auction） — 赢家按自己出价支付的拍卖；2019 年前后被头部 ADX 在程序化公开竞价中重新采用。
头部竞价（Header Bidding） — 媒体在主拍卖前把流量同时发给多家需求方预竞价的技术，其普及是多级转售链路与一价回归的推手。
出价遮蔽（Bid Shading） — 一价拍卖下 DSP 基于赢得概率分布把出价压向「能赢的最低价」的出价策略，是一价时代的核心竞争力。
智能出价（Smart Bidding） — 平台代广告主出价（如 OCPC 按目标转化成本），把出价换算进排序模型的竞价产品形态。

12.4

智能出价（Smart Bidding） — 平台代广告主管理每次展示出价的产品形态：广告主只报目标（target CPA/ROI），出价由平台的价值估计、预算控制与机制适配模块联合决定。
转化出价（oCPC / oCPM） — 按转化目标出价的产品：出价公式为 $eCPM = 1000 \cdot pCTR \cdot pCVR \cdot Bid_{CPA}$ ，oCPC 按点击计费、oCPM 按展示计费。
目标转化成本（Target CPA） — 广告主愿意为一次转化支付的目标成本，是出价栈中唯一由广告主直接输入的价值锚点。
价值出价（Value Bid） — 用 pCTR × pCVR × targetCPA 把转化目标折算成的单次展示期望价值，是下游 shading 与 pacing 的输入。
两阶段投放（Two-Stage Delivery） — oCPC/oCPM 的冷启动惯例：第一阶段沿用 CPC 出价积累转化数据，模型置信后切换到转化出价。
深度转化出价（Deep Conversion Bidding） — 把优化目标从激活推到激活后关键行为（次留/7 日付费/复购/绑卡）的出价形态；难点是标签滞后成熟带来的延迟反馈问题。
LTV 出价（LTV Bidding） — 以用户生命周期价值替代单次转化价值作为出价锚点的形态： $LTV (u)$ 通常拆成「留存概率 × 每期价值」两段建模再相乘，应对重尾稀疏分布。
预算平滑消耗（Budget Pacing） — 把日预算按时间进度均匀花完的控制问题，避免前置消耗错过晚高峰优质流量。
参照轨迹（Reference Trajectory） — pacing 的控制目标 $r (t) = G \cdot t / T$ ，即「消耗进度与时间进度同步」的直线。
概率节流（Probabilistic Throttling） — pacing 的一种实现：以概率 $α$ 决定是否参与每次竞价，是 0/1 的硬门控（LinkedIn，KDD 2014）。
出价缩放（Bid Scaling） — pacing 的另一种实现：用乘子 $α \in [0, 1]$ 缩放出价 $b^{'} = α \cdot b$ ，保留参与度、牺牲单次竞争力。
Pacing 乘子（Pacing Multiplier） — 预算控制器的操作量，经 sigmoid 压缩到 $[0, 1]$ ，直接乘在出价上。
PID 控制（PID Control） — 比例–积分–微分反馈控制器：P 即时响应误差，I 消除稳态偏差，D 超前抑制；广告 pacing 中 D 项因放大离散请求噪声被普遍砍掉，只留 PI。
对数比误差（Log-Ratio Error） — 误差形式 $e (t) = - lo g (N (t) / r (t))$ ，把偏离归一化为相对值，使不同预算规模的计划可共用同一套控制增益。
前馈补偿（Feedforward Compensation） — 在反馈控制之外，用可预测的扰动（如流量日内规律）提前调整操作量，Verizon DSP 的积分控制即配有前馈。
期望剩余（Expected Surplus） — 一价拍卖下出价 $b$ 的期望利润 $E [S] = (v - b) \cdot P (win ∣ b)$ ，bid shading 的优化目标。
最低赢价（Minimum Winning Price） — 刚好能赢下一次拍卖的价格，其分布（CDF）决定赢率 $P (win ∣ b) = F (b)$ 。
赢价分布（Bid Landscape / Win-Price Distribution） — 最低赢价随流量变化的概率分布，bid shading 的核心估计对象；log-normal 对其长尾拟合最好。
删失数据（Censored Data） — 只观测到部分信息的样本：封闭拍卖中输掉的拍卖看不到真实赢价，需用生存分析处理。
生存分析（Survival Analysis） — 处理删失观测的统计方法，DDN 用它从「是否赢 + 赢时最低价」的不完全数据中估计赢价分布。
黄金分割搜索（Golden Section Search） — 无需梯度的区间极值搜索，每次迭代保留 0.618 区间；DDN 用它在毫秒级求出 surplus 峰值出价 $b^{*}$ 。
DDN（Deep Distribution Network） — Verizon Media 的分布估计网络（Zhou et al., KDD 2021）：网络输出赢价分布参数，线上 surplus 提升 14.3%，日服务数千亿次请求。
分布鲁棒出价（Distributionally Robust Bidding） — 当估值与赢价分布估计噪声大时，用 KL 散度不确定性集做 max-min 优化的出价鲁棒化方法。
误差传导链（Error Propagation Chain） — 出价栈各模块串行耦合，上游预测（pCTR/pCVR）的偏差无损传导到最终出价的性质，是 12.5 校准问题的动机。

12.5

校准（Calibration） — 预测值与真实概率的一致性： $Pr (Y = 1 ∣ f (x) = p) = p$ ，即打 $p$ 分的样本约 $100 p %$ 为正。
判别力（Discrimination） — 模型把正例排在负例前面的能力，由 AUC 等指标度量，对分数的单调变换不变。
绝对精度（size-accuracy） — 预测值绝对大小的准确度，对精确出价、竞价稳定与混投公平性至关重要。
过度自信（Overconfidence） — 深度模型预测值系统性高于真实概率的普遍倾向（Guo et al., 2017）。
位置偏差（Position Bias） — 位置靠前带来的点击优势被误记为广告自身质量的偏差。
检验假设（Examination Hypothesis） — 点击 = 被看到 × 值得点击的分解假设： $P (click) = P (seen ∣ position) \cdot P (relevant ∣ user, ad)$ 。
逆倾向加权（Inverse Propensity Weighting, IPW） — 按倾向分倒数对样本加权以还原无偏分布的去偏方法。
倾向分（Propensity Score） — 样本被分配到某位置/被选中的概率，IPW 的权重来源，常需随机流量估计。
PAL（Position-bias-aware Learning） — 华为提出的结构化去偏框架：bCTR = ProbSeen(position) × pCTR(user, ad, context)，训练联合、线上只用 pCTR 塔（Guo et al., RecSys 2019）。
级联模型（Cascade Model） — 假设用户从前往后顺序浏览、点击即停止、会话至多一次点击的位置建模方式，查看概率与前位内容相关。
样本选择偏差（Sample Selection Bias, SSB） — CVR 在点击子空间训练却在全曝光空间推理导致的分布不一致。
数据稀疏（Data Sparsity, DS） — 转化样本远少于点击样本（点击仅占曝光约 4%）造成的训练信号不足。
ESMM（Entire Space Multi-task Model） — 阿里提出的全空间多任务模型：以 pCTCVR = pCTR × pCVR 在全部曝光样本上联合训练，同时解决 SSB 与 DS（Ma et al., SIGIR 2018）。
pCTCVR — 曝光到转化的概率，等于 pCTR × pCVR，定义在全曝光空间、可直接监督。
隐式学习（Implicit Learning） — ESMM 中 CVR 塔无直接损失项、仅由 L_ctcvr 经乘积梯度更新的学习方式。
胜出偏差（Winner's Bias） — 竞价日志只记录赢家表现、输家无标签造成的选择偏差，需探索流量供给无偏信号。
探索流量（Exploration Traffic） — 刻意让本会输的广告偶尔赢以产生无偏反馈的流量分配策略。
延迟反馈（Delayed Feedback） — 转化标签在点击后数小时/数天才回流的标签晚到现象。
标签窗口（Label Window） — 校准取数的观察期口径（如 1 天点击、7 天转化），未成熟即取数必有偏。
可靠性图（Reliability Diagram） — 预测概率分桶 vs 桶内真实正例率的诊断图，落在对角线即校准完美。
期望校准误差（Expected Calibration Error, ECE） — 分桶后实际正例率与平均预测值之差的样本量加权平均。
Platt scaling — 对模型分数拟合 logistic 变换（两个参数）的校准方法，适合小样本。
保序回归（Isotonic Regression） — 拟合自由形单调阶梯函数的校准方法，适合大样本、稀疏区易过拟合。
PAVA（Pool Adjacent Violators Algorithm） — 保序回归的经典求解算法：反复合并违反单调性的相邻块并取均值。
先验修正（Prior Correction） — 负采样后用闭式公式 $\overset{p}{^}^{'} = \overset{p}{^} / (\overset{p}{^} + (1 - \overset{p}{^}) / w)$ 恢复真实基率的校准方法（Facebook ADKDD'14）。
负采样（Negative Sampling） — 训练时下采样负例以加速/平衡样本的技术，会抬高训练基率、需修正后使用。
分布漂移（Distribution Drift） — 流量结构、广告库与用户行为变化导致历史校准失准的现象。
PCOC（Predicted-over-Posterior Click rate） — 预估 CTR 与后验 CTR 之比，越接近 1 越好。
Cal-N — 多簇 PCOC 聚合得到的整体校准偏差度量。
GC-N — 分维度加权的校准评估指标。
SIR（Smoothed Isotonic Regression） — 阿里妈妈校准体系的起点：分桶 + 保序回归 + 线性缩放。
Bayes-SIR — 在 SIR 上引入贝叶斯先验以解决冷启动与稀疏分桶不稳定的校准算法。
RTW-BSIR — 在 Bayes-SIR 上叠加实时波动修正、对抗分布漂移的校准算法。
PCCEM — 利用点击后短期信号预测长期转化、应对延迟反馈的校准算法，阿里妈妈 2018 年起线上部署。
AdaCalib — 字段级（field-level）细粒度校准框架：保序函数族 + 后验统计自适应引导（Wei et al., SIGIR 2022）。
observed-vs-predicted 护栏 — 线上持续监控「实际正例率 ÷ 预估正例率」、偏离 1 超阈值即告警重拟合的运维机制。

12.6

数据可观测性（Data Observability） — 广告平台能否直接观测到用户转化行为的程度，是决定平台优化深度的第二根轴。
闭环广告（Closed-loop Advertising） — 曝光、点击、下单、支付全链路都发生在平台域内、数据不离开平台生态的广告，也称内循环。
开环广告（Open-loop Advertising） — 转化发生在平台域外（App Store、品牌官网、线下门店）、平台须依赖回传才能获知转化的广告，也称外循环。
内循环 / 外循环 — 闭环/开环广告在业界（抖音、快手、Facebook）的通行别称。
半闭环 — 广告主只回传部分事件（如只回传激活、不回传付费）的折中形态，平台拿到不完整标签做部分优化。
深度转化出价 — 以付费、ROI、次留、7 日 ROI 等后链路行为为优化目标的出价，只有平台能观测这些行为时才可行。
浅层目标 / 深层目标 — 前链路（曝光、点击、激活、表单、注册）与后链路（付费、ROI、次留、7 日 ROI）两组优化目标，分别对应开环与闭环的能力边界。
pDeepCVR — 「点击 → 付费/次留」的深度转化概率，位于转化漏斗更深处，样本更稀疏、延迟更高。
归因（Attribution） — 在广告行为链路中识别关键行为由哪个广告/渠道带来的过程。
归因模型（Attribution Model） — 决定转化功劳如何分配给各触点的分配规则，是约定而非客观事实。
最后点击（Last-click） — 把 100% 功劳给转化前最后一次触点的归因模型，移动端默认。
首次点击（First-click） — 把 100% 功劳给第一次触点的归因模型，用于度量漏斗顶部发现。
线性归因（Linear Attribution） — 所有触点均分功劳的归因模型。
时间衰减（Time-decay） — 越接近转化的触点分得越多功劳的归因模型，适合短周期意图驱动。
位置加权（Position-based） — 首尾触点多分、中间少分（U 型）的归因模型，兼顾发现与收口。
数据驱动归因（Data-driven Attribution） — 算法基于观测到的贡献自动分配功劳的归因模型，需大量转化数据。
clickid — 媒体在广告触点（曝光/点击）时下发的唯一标识，用于后续转化回传时把转化绑定到具体广告。
转化回传 — 广告主通过 SDK/API 把设备 ID、clickid、时间戳回传给媒体、告知「该用户已转化」的过程。
兜底归因 — 拿不到设备 ID 时退而用 ip + ua 做模糊匹配的归因方式，精度较低。
自归因（Self-attribution） — 平台/媒体自行完成归因、宣称转化由自己带来的方式，多网络并跑时易重复计数。
非自归因 — 广告主自行匹配用户与媒体信息、独立完成归因的方式。
移动归因伙伴（Mobile Measurement Partner, MMP） — 中立第三方归因/分析平台（AppsFlyer、Adjust、Branch、Singular、Kochava），作为广告主与各广告网络之间的仲裁者。
ATT（App Tracking Transparency） — 苹果 iOS 14.5 起的授权框架，App 访问 IDFA 须弹窗授权，opt-in 比例仅约 25%。
IDFA（Identifier for Advertisers） — 苹果设备级的广告标识符，ATT 后大面积坍缩，是确定性归因赖以为生的唯一用户 ID。
SKAdNetwork（SKAN） — 苹果的隐私保护安装归因框架，以聚合、随机延迟、群组匿名的方式回传转化数据。
群组匿名（Crowd Anonymity） — SKAN 的隐私机制，安装量低时回传更少信息，防止单个用户被反向定位。
conversion value — SKAN 中 App 通过 updateConversionValue 上报的用户互动转化值，SKAN 4.0 引入粗/细两种。
三次回传窗口 — SKAN 4.0 的回传节奏：约 0–2 天、3–7 天、8–35 天，转化数据分批、带随机延迟回流。
层级 source identifier — SKAN 4.0 的 4 位分层来源标识（前 2 位活动、第 3 位位置、第 4 位屏位），随群组匿名级别升高返回更多位。
Android Privacy Sandbox — Google 的无 cookie 归因方案，含 Attribution Reporting API 与 Topics API。
Attribution Reporting API — Privacy Sandbox 中提供事件级与聚合归因报告、聚合报告带差分隐私噪声的组件。
差分隐私（Differential Privacy） — 向聚合统计注入校准噪声以保护个体隐私的技术，Privacy Sandbox 归因报告使用。
确定性归因 / 概率性归因 — 依赖设备级唯一标识的精确归因 vs 依赖聚合/模糊信号的统计归因，隐私浪潮推动前者向后者坍缩。
第一方数据（First-party Data） — 企业与用户直接发生、合法合规收集的数据，是跨 App 追踪受限后的战略方向。
建模估计（Modeling-based Estimation） — 用可观测部分（SKAN + 授权确定性）训练模型、外推填补「无法归因」缺口的估计方法。
归因窗口（Attribution Window） — 触点后多久内的转化才记功的协议参数，点击窗口常见 7 天、曝光窗口常见 1 天，窗口越长该渠道抢功机会越多。
幂等去重（Idempotent Deduplication） — 回传接收端按「设备 × 事件类型 × 去重键」做集合语义去重，防止网络重试导致的重复转化。
事件时间 vs 到达时间（Event Time vs Arrival Time） — 前者是转化真实发生的时刻（回传体携带），后者是平台收到的时刻；两者的差即延迟反馈问题本身，训练样本须按前者组织。
Click Flooding（点击洪泛） — 大量伪造/低质点击抬高「被归因概率」的归因作弊，特征是点击密度异常、点击到安装间隔过短。
Conversion Value 编码 — SKAN 下把想观测的漏斗进度压进 64 个 fine 值与三档 coarse 的信息压缩问题，如 fine 编码留存标志、coarse 编码付费金额分档。
SKAN 侧建模管线 — 用同期 opt-in 确定性数据训练「聚合分布 → 真实漏斗」映射模型，把带噪延迟的 SKAN 回传还原成可优化信号的技术栈。
延迟反馈三族解法 — 重要性采样（Zhang CIKM 2016）、假负样本校正（Chen 2020）、流式 FTRL 数据纠错；选型取决于延迟分布形状与训练实时性。
浅层代理 + 深度校正 — 开环平台深度出价的真实形态：出价公式用浅层目标（pCTR × pCVR），再用回传深度数据周期性校准浅层目标与真实深度目标的映射。
倾向得分加权（Propensity Score Weighting） — 对「是否回传」这一选择行为建模并加权，缓解开环训练样本只来自回传广告主的选择偏差。
激励回传（Incentivized Postback） — 平台「用产品换数据」的机制设计：回传付费事件才解锁付费出价等深度出价能力。
增量测量（Incrementality Measurement） — 回答「不投广告转化是否照样发生」的因果测量，与归因（分账）互补，管预算决策。
Geo 实验（Geo Experiment） — 按地域切分实验/对照、对照组完全不出广告、直接测增量转化的实验法，因果上最干净。
合成控制（Synthetic Control） — 用未投放的相似地域/时段合成反事实基线、估计投放期增量的准实验方法。
营销组合模型（Marketing Mix Modeling, MMM） — 用宏观时间序列回归把销售分解到各渠道投入的测量方法，不依赖用户级数据，隐私时代复兴。
「归因管分账、增量管决策」 — 归因用于渠道间结算分账，增量测量用于预算再分配决策的分工原则。

12.7

在线分配（Online Allocation） — 在满足量的约束的前提下，对每次广告展示实时决策，以优化产品整体收益的算法框架；离线规划 + 在线执行是其标准形态。
担保式投送（Guaranteed Delivery, GD） — 展示量合约对应的投放系统：合约约定定向人群与展示量，系统须保证到期足量交付，核心计算问题是带约束的在线分配。
排期系统（Scheduling System） — 管理 CPT 广告位合约的非个性化系统：素材按排期经 CDN 前端直投，无需服务端实时决策。
防天窗广告（House Ad / 兜底广告） — 动态广告服务超时或出错时，由 CDN 渲染的默认素材，保证广告位不空白。
二部图（Bipartite Graph） — 在线分配的问题建模：供给节点（标签相同的流量库）与需求节点（合约）之间的匹配结构 $G = (I \cup A, E)$ 。
供给节点（Supply Node） — 二部图一侧的节点，代表所有标签都相同的一块流量库存，总量记为 $s_{i}$ ；节点数随定向条件组合呈几何级数上升。
需求节点（Demand Node） — 二部图另一侧的节点，代表一份广告合约，约定量记为 $d_{a}$ 。
需求约束（Demand Constraint） — 分配合约的收益（或量）不低于约定值的约束 $\sum_{i \in Γ (a)} s_{i} x_{ia} q_{ia} \geq d_{a}$ 。
供给约束（Supply Constraint） — 每个供给节点分配出去的比例之和不超过 1 的约束 $\sum_{a \in Γ (i)} x_{ia} \leq 1$ ，违反即超卖。
分配比例（Allocation Ratio） — 决策变量 $x_{ia}$ ：把供给节点 $i$ 的多大比例流量分配合约 $a$ 。
AdWords 问题（带预算约束的出价） — CPC 竞价下给定各广告主预算、最大化市场收入的在线分配实例；其对偶变量是「流量对预算的边际价值」，是 pacing 乘子的理论原型。
流量预测（Traffic Forecasting） — 给定受众标签组合与 eCPM 阈值，估算未来时段可获展示量的技术；工程上用「反向索引」方案（文档=标签聚合的流量，查询=定向条件）。
频次控制（Frequency Capping） — 控制组合 $(a, u)$ 在周期内的展示次数；客户端 cookie/SDK 与服务端内存缓存两种实现，是破坏展示可分性假设的主要因素。
对偶变量（Dual Variable） — LP 对偶问题中对应约束的变量： $α_{a}$ （合约稀缺度）与 $β_{i}$ （供给机会成本），其量级分别正比于合约数与供给节点数。
紧凑分配方案（Compact Allocation Plan） — 只保留合约级对偶变量 $α$ （ $O (∣ A ∣)$ 级），经 KKT 条件恢复 $β$ 与 $x_{ia} = max (0, θ_{a} (1 + α_{a} - β_{i}))$ 的分配方案；无状态、多机零同步。
需求-供给比（θ, Demand-Supply Ratio） — $θ_{a} = d_{a} / \sum_{i \in Γ (a)} s_{i}$ ，衡量合约相对其全部候选流量的紧缺程度，同时出现在紧凑方案与 HWM 中。
SHALE — 在线分配的原始对偶迭代算法：交替更新 $α$ 与 $β$ 求解对偶问题，支持增量插入新合约。
高水位算法（High Water Mark, HWM） — 工程启发性分配方案：按 $θ$ 降序确定合约优先级，逐层折减候选供给余量得到分配比例；线上按累积比例随机决策。
竞争比（Competitive Ratio） — 在线策略在最坏情形下能达到离线全局最优目标函数的 $ϵ$ 倍，则称其为 $ϵ$ -competitive；在线分配的最优上限为 $1 - 1/ e$ 。
Free Disposal — 超投无收益也无损失的假设，符合多数广告合约现实，是在线分配算法宽容性的来源。

12.8

受众定向（Audience Targeting） — 对广告 $a$ 、用户 $u$ 、上下文 $c$ 三个维度提取有意义的特征（标签）的过程，是展示广告最核心的驱动力之一。
上下文定向（Contextual Targeting） — $t (c)$ 类定向：根据用户当前访问的页面或请求参数（地域、频道、URL、关键词、主题）即时打标签。
行为定向（Behavioral Targeting, BT） — $t (u)$ 类定向：根据用户一段时期内的网络行为历史，将用户映射到某个定向标签上。
定制化标签（ $t (a, u)$ ） — 针对特定广告主加工的用户标签（如重定向、新客推荐），标签数与广告主数成正比，适合由需求方在程序化交易中直接提供。
标签体系（Taxonomy） — 向广告主售卖的、预先定义且可解释的标签集合；效果与规模双指标要求它同时覆盖「泛而大」与「准而小」的两端。
半在线抓取系统（Semi-online Crawler） — 上下文定向的页面抓取方案：不做离线抓取，广告请求触发后才抓取打标，用缓存 + TTL 管理，允许暂时返回空标签。
弱一致（Weak Consistency） — 广告系统的业务特性：只要大多数决策最优，少量次优甚至随机决策可接受，是低成本系统设计的依据。
需求方驱动关键词（Demand-driven Keywords） — 从广告主描述中得到商业价值高的词表与 IDF，再与页面 TF 一起计算 TF-IDF 选取关键词的方法。
潜在语义分析（Latent Semantic Analysis, LSA） — 对文档-词矩阵做 SVD、保留主要奇异值的主题模型；两个变换矩阵不保证非负，直觉欠合理。
概率潜在语义索引（PLSI） — LSA 的概率化：以「文档选主题、主题生成词」的生成过程建模，可用 EM 分布式求解。
潜在狄利克雷分配（Latent Dirichlet Allocation, LDA） — 给 PLSI 的主题分布加 Dirichlet 先验的贝叶斯版本，噪声大或短文档下更稳健，常用吉布斯采样求解。
词嵌入（word2vec / Word Embedding） — 把词映射为稠密实数向量的表示学习方法；CBOW + 哈夫曼树（层次 softmax）把输出复杂度从 $O (∥ V ∥)$ 降到 $O (lo g ∥ V ∥)$ ，是 embedding 思想的源头。
embedding 打标 — 2026 年主流的标签加工路线：用表示模型（双塔/图 embedding）或 LLM 把内容映射为向量或结构化标签，已取代主题模型打标。
时间衰减法（Time Decay） — 行为累积方法 $x (d) = α x (d - 1) + x (d)$ ，指数窗过滤原始行为，只需保存上一时间片状态，工程上优于滑动窗法。
滑动窗法（Sliding Window） — 设定窗长 $D$ 、累加窗口内行为强度的累积方法，窗型为矩形，需保存窗内全部行为。
特征选择函数（ $x_{t n} (b)$ ） — 把原始行为 $b$ 映射到标签 $t$ 上并给出强度的函数，是行为定向特征生成最关键的环节。
用户标签得分（ $λ_{t}$ ） — 行为定向 GLM 的线性打分 $lo g λ_{t} = w_{t} \cdot \tilde{x}$ ，控制点击到达频繁性；线上按 $λ (d) = α λ (d - 1) + \sum_{n} w_{t n} x_{t n} (d)$ 递归更新。
人口属性预测（Demographic Prediction） — 以行为为输入预测性别、年龄等用户确定特点的分类任务；必须有拒识门槛，训练集质量比模型更重要。
reach/CTR 曲线 — 行为定向的半定量评测工具：标签人群规模（reach）与该人群 CTR 构成的曲线，应单调下降，头部斜率体现鉴别力，最右端 CTR 固定为全量水平。
AUC（见 12.5） — 衡量模型判别力（相对序）的指标；reach/CTR 曲线头部的陡峭程度是它在定向评测中的投影，进入算术的得分还需过校准。

12.9

广告检索（Ad Retrieval） — 从亿级广告候选中，在毫秒级约束下找出可参与本次竞价的少数广告的计算环节；是 eCPM 排序（12.2）之前的入场资格赛。
析取范式（Disjunctive Normal Form, DNF） — 广告定向条件的标准表示：若干个交集（Conjunction）的并，命中任一交集即命中该广告。
Conjunction（交集） — DNF 中由「与」连接的一组赋值集；检索算法以它（而非整条广告）为单位建倒排索引。
Assignment（赋值集） — 对单个标签的最小约束（属于或不属于某取值集合），如 age ∈ {3}；size 只统计含「∈」的赋值集数目。
布尔表达式检索（Boolean Retrieval） — 在倒排索引上求值定向条件的检索方式：两层索引（Conjunction 倒排 + Conj→AD 辅助索引）加 size 分层剪枝，先取候选超集再做精确判定；纯「∉」型 Conjunction 挂在特殊键 Z 上兜底。
倒排索引（Inverted Index） — 从「键（标签/关键词）」指向「包含该键的文档列表」的数据结构；广告检索把它扩展为按 size 分层的 Conjunction 索引。
size 分层剪枝 — 按 Conjunction 中「∈」赋值集数目分层建索引；请求标签数小于某层 size 时该层整体跳过，是布尔检索最有力的剪枝。
精确匹配（Exact Match） — 搜索广告关键词匹配的最严格档位：查询与竞价关键词完全一致才触发；与之相对的是短语匹配与广泛匹配（触发查询扩展）。
查询扩展（Query Expansion） — 搜索广告中把简短查询拓展为一组可竞价关键词的技术；三条思路为协同过滤、主题模型与历史 eCPM 效果挖掘，泛化过度会损害相关性。
广告放置（Ad Placement） — 搜索广告中确定北区/东区广告条数的决策：平均条数约束下的营收优化，可用用户点击率比值做个性化调整。
相关性检索（Relevance Retrieval） — 超长查询场景下以「查询-文档相似度」而非布尔匹配为目标的检索；要求评价函数线性且权重非负以支持快速上界剪枝。
WAND 算法（weight AND） — Top-K 剪枝检索算法：预计算关键词贡献上界，累加超过堆阈值才精确评分，配合小顶堆维护当前最优 K 个结果；其「上界粗估 + 门槛正反馈」思想延续到粗排层。
语义召回（Semantic Recall） — 用 DNN 把查询/用户与广告映射到同一语义向量空间，以最近邻查找代替关键词匹配的召回方式；解决用词不同导致的匹配盲区。
DSSM（Deep Semantic Similarity Model） — 以点击为弱监督、端到端学习查询与文档语义向量的深度模型：词嵌入 → 多层网络投影语义空间 → 余弦相似度 + softmax/按对排序损失。
双塔模型（Two-Tower Model） — 用户塔与物品塔各自独立编码为向量、在线只做向量内积的召回架构；DSSM/YouTube 模型的现代形态，标配 in-batch negatives 训练。
近似最近邻（Approximate Nearest Neighbor, ANN） — 接受一定召回率损失、换取毫秒级向量检索速度的最近邻查找技术总称，分哈希（LSH）、向量量化（PQ/HKM）、图（NSW/HNSW）三类。
局部敏感哈希（Locality-Sensitive Hashing, LSH） — 「原始空间越近、哈希越易同桶」的分治式 ANN：随机投影下同桶概率为 1−θ/π；扩召回用 LSH forest（换内存）或 multi-probe（换查询时间），工程上已被图索引取代但直觉仍是 ANN 的思想原点。
HNSW（分层可导航小世界） — NSW 的分层版本：上层稀疏图快速导航、底层稠密图保精度；当前工业界最常用的 ANN 图索引，faiss/hnswlib 均有实现。
IVF-PQ — 先用 K 均值粗聚类分桶（IVF）、桶内再做乘积量化压缩（PQ）的 ANN 索引；内存效率高，适合亿级以上候选池。
检索漏斗（Retrieval Funnel） — 候选量级逐级收窄的系统全貌：召回（10⁴~10⁵）→ 粗排（10²~10³）→ 精排（10¹~10²）→ 竞价（1~3 条展示），每一层在「缩小候选」与「提高打分精度」间交换；现代召回形态是 多路召回——布尔定向、语义向量、协同/行为、热门兜底并行各取 Top-K，合并去重后统一进入排序。

12.10

第一方数据（First-party Data） — 广告主自有渠道产生的数据（CRM、订单、官网访客行为），量小而语义最明确，是所有数据的「灵魂」。
第二方数据（Second-party Data） — 用户在媒体/广告平台上产生、由平台自己掌握的行为与投放数据，广告网络模式下指导投放的主力。
第三方数据（Third-party Data） — 不直接参与广告交易的数据提供方（中小媒体、数据公司等）拥有并提供流通的数据，量大数据质量参差。
用户标识（User Identifier） — 关联「哪些行为来自同一个用户」的基础，如 cookie、IDFA、Android ID/IMEI；身份是一串 0 前面的那个 1。
决策行为（Decision Behavior） — 转化与预转化（搜索、浏览、比价、加购等下单前动作），发生在广告主站内，兴趣指向最明确、价值最高。
半主动行为（Semi-active Behavior） — 分享、页面浏览等弱目的内容消费行为，把握兴趣领域但精度有限，数据量在各类行为中最大。
Cookie 映射（Cookie Mapping） — 在一方同意的前提下，把不同域名体系下同一用户的 cookie 身份对应起来的技术；三方 cookie 退场后已成历史基建。
数据管理平台（DMP） — 把原始数据整理加工成可直接利用的用户标签并支持变现的产品；分第一方（托管加工收服务费）与第三方（加工售卖变现）两种模式。
客户数据平台（CDP） — 统一品牌自有触点（官网、App、CRM）数据为持久客户档案的一方数据基建，现代形态下取代了旧第一方 DMP 的大部分场景。
人群包（Audience Segment） — 按标签圈出的一组用户集合，是数据交易与受众定向的标准「商品单元」。
数据交易平台（第三方 DMP） — 聚合多方原始行为数据、按自有逻辑加工成标签后售卖变现并与数据提供方分成的产品，代表案例 BlueKai。
Unified ID 2.0（UID2） — The Trade Desk 主导的开放身份框架，以哈希后的邮箱/手机号为根，替代三方 cookie 的跨域身份方案。
数据交易（Data Trading） — 标签经 ADX 中转、附加在竞价请求上按 CPM 计价、按 DSP 实际成交展示量交割的市场机制。
数据清洁室（Data Clean Room） — 互不可见明细的前提下做多方数据匹配与分析、只输出聚合结果（常叠加差分隐私）的合规协作环境，2020 年代数据协作的主流形态。
准标识符（Quasi-identifier） — 单独看无辨识力、组合起来却能定位到具体人的属性集合（如年龄+城市+职位），即使不含 PII 也有高泄露风险。
K 匿名（K-Anonymity） — 通过准标识符泛化，使数据集中每组准标识符实例都能找到 K 条与其相同的；对极稀疏的行为数据不适用。
差分隐私（Differential Privacy） — 对数据集做适度修改，在尽量少损失查询准确率的前提下使隐私泄露风险最低的技术。
需求方数据安全（Demand-side Data Security） — 广告主第一方数据（如访客集合）在 RTB 中被平台或对手获取利用的风险，典型手法是合并访客集合打模糊标签倒卖。
GDPR — 欧盟《通用数据保护条例》（2018 生效）：敏感数据清单、明确同意、访问/被遗忘/限制处理/携带四项权利，罚则上限为 2000 万欧元与全球年营业额 4% 中的较高者。
PIPL — 中国《个人信息保护法》（2021 年 11 月施行）：确立知情同意、最小必要、可撤回同意等原则，并区分敏感个人信息。

12.11

程序化创意（Programmatic Creative） — 在投放时由程序把推送广告的关键原因（地域、搜索词、单品等）在线拼装进创意的优化方式，前提是广告基本诉求保持稳定。
点击热力图（Click Heatmap） — 把创意各位置被点击的密度可视化的工具，既用于半定量地指导创意迭代，也可通过分布形态（过于均匀/集中）甄别机器刷量。
A/B 测试（A/B Testing） — 从真实流量中切出对照与实验两组分别运行原方案与新方案、以线上指标裁决优劣的实验方法。
实验框架（Experimentation Framework） — 支撑 A/B 测试的线上系统，负责流量切分、参数下发与指标收集，是广告系统进化速度的基础设施。
实验层（Layer）与域（Domain） — 按系统模块（检索/排序/展现）划分的实验参数容器为层，层内按 user ID 哈希切出的流量子集为域；一个用户的所有请求固定落在同一域中（层内互斥）。
分层实验（Layered Experimentation） — 利用模块间相对独立性扩展实验容量的框架：层内互斥、层间正交、预留非重叠域做跨层联合调参、配套发布层灰度放量。
正交（Orthogonality） — 不同实验层的流量切分彼此独立，同一份流量可被多层重复使用，实验容量随层数线性增长。
AA 实验（AA Test） — 两组按完全相同配置运行的对照实验，用于验证切分均匀与日志口径一致；AA 跑出显著差异说明实验框架本身有偏。
广告监测（Ad Monitoring） — 需求方委托独立第三方对展示、点击或转化做核实性度量的服务（约占品牌投放预算 1%）；核心载体是拼装广告/媒体/用户三方信息的 监测 URL。
品牌安全（Brand Safety） — 保证广告不出现在损害品牌形象的内容上的诉求，由 广告投放验证 （发现不安全内容即停投换创意，工程核心是 iframe 穿透取顶层 URL）实现。
可见性（Viewability） — 广告展示实际被用户看到（发生渲染）的程度验证；现代由 MRC 等标准的面积/时长双阈值定义，是品牌结算口径之一。
虚假流量作弊（Non-Human Traffic, NHT） — 展示、点击或转化本身被伪造的作弊类型，是 CPM/CPC 广告作弊的主流，按手段又分机器作弊与人工作弊。
归因作弊（Attribution Fraud） — 把其他渠道的流量或自然流量记在自己名下的作弊类型，常见于伪造转化成本高的 CPA/CPS 广告。
点击滥用（Click Spam / Click Flooding） — 对大量用户伪造点击、坐等其自然下载被归因到自己渠道的手法；铁证是 CVR 低 1–2 个数量级、点击-转化时间分布近似均匀。
点击注入（Click Injection） — 利用 Android 安装广播在应用安装瞬间补发点击、抢归因后续激活的手法；特征是 CVR 异常高、点击到激活间隔极短。
Cookie 填充（Cookie Stuffing） — CPS 联盟广告中通过隐藏请求在用户不点击的情况下静默打上来源 cookie、劫持自然转化的归因作弊。
流量劫持（Traffic Hijacking） — 网络底层服务提供者在无权投放处强行投放或篡改创意/落地页的准作弊（信道弹窗、创意替换、搜索重定向、落地页来源劫持）；前三种损媒体，来源劫持损广告主。
设备农场（Device Farm） — 真人持真机批量伪造浏览-点击-转化的人工作弊形态，各维度数据接近真实，需靠设备聚集度与关联网络识别。
设备指纹（Device Fingerprint） — 由硬件与环境特征拼出的设备唯一标识，用于跨 IP/cookie 追踪作弊源与建立设备信誉分。
图分析反作弊（Graph-based Fraud Detection） — 把设备、IP、账号、支付路径连成关联网络，利用作弊团伙的高聚集结构识别单条记录无法伪装的群体特征。

12.12

合约广告（Agreement Advertising） — 以合同约定量的展示交付的广告交易形态：人群、展示量与单价写进合同，履约责任在供给方；与按市场博弈出清的竞价广告相对。
广告位合约（Position Contract） — 最早的在线广告售卖方式：约定某时间段内某些广告位固定投送指定广告主的广告，无法按受众投放，强曝光位上仍有品牌冲击与竞品排他的溢价价值。
CPT（Cost per Time） — 按时长计费的广告位合约计费模式，典型按时段整买；供需双方技术成分都低，靠代理公司人工媒介采买。
CPD（Cost per Day） — 按天计费的广告位售卖形态，今天开屏等品牌资源的排期合约仍沿用这一口径。
轮替售卖（Rotation） — 把同一广告位的连续访问依次标上循环的轮播顺序号（如 {1, 2, 3, 4}），相同序号的展示作为虚拟广告位售出；用于独占库存不足但广告主要求确定展现规则时。
轮播顺序号随机起始 — 轮替售卖的关键细节：某用户第一次展示的顺序号按相等概率从所有序号中随机选取再累加循环，以保证各轮播分到的流量一致。
广告排期系统（Scheduling System） — 合同确定后自动按排期执行投放的非个性化工具（如 DFP、好耶、百度广告管家），叠加动态分配与 RTB 后接近供给方平台。
防天窗广告（兜底素材） — 动态广告服务超时或出错时由 CDN 渲染的默认素材，保证广告位不空白；工程细节见 12.7.0。
展示量合约（Inventory Contract / GD 合约） — 按约定受众条件售卖展示总量并按约定单价计费的合约，即担保式投送；未足量交付可能触发媒体赔偿。
担保式投送（Guaranteed Delivery, GD） — 展示量合约对应的投放系统与售卖市场的统称，「担保」即量的约定；算法核心是在线分配（见 12.7）。
受众定向售卖（Audience-based Selling） — 以人群标签为标的拆分广告位流量售卖的模式：数据首次直接参与售卖，催生结构化层级标签体系作售卖目录。
人群包（Audience Package） — 由标签组合圈定的可售人群流量单元；人群包之间普遍交叠，是保量分配复杂性的来源。
售卖区域（Selling Geo） — 合约中约定的地域定向条款；地域是最基础、所有广告系统都必须支持的售卖维度。
起投量（Minimum Commit） — 合约售卖目录准入的最小人群日流量门槛；人群规模低于它的标签无法保量售卖，应打包或下放竞价。
流量预测（Traffic Forecasting） — 对函数 $t (u, b)$ （人群标签组合 × 出价）的估计，支撑售前指导、在线分配与出价指导三个用途；工程方案见 12.7.2。
流量塑形（Traffic Shaping） — 通过调整用户产品导流（如首页链接）主动影响各人群流量分布，以利于合约达成的产品策略。
橱窗效应（Showcase Effect） — 长期独占优质广告位对品牌价值与转化效果的持续塑造作用，是独占式售卖的核心卖点之一。
竞品排他（Category Exclusivity） — 合约向广告主承诺同页面不出现竞品广告的附加服务，是位置售卖高溢价的来源。

12.13

原生广告（Native Ads） — 将商业化内容与非商业化内容统一生产或混合排序的产品方向，也称「内容即广告」；软文、搜索广告、信息流广告各反映其一个侧面。
信息流广告（Feed Ads） — 满足两个条件的广告形式：广告与内容以联动方式交互；被广告区隔开的各部分内容之间没有直接关联。产品本质上可视为多位置、放置自由的竞价广告。
内容即广告（content as ad） — 原生广告的产品理念表述：广告不再独立于内容，而是作为内容生产与排序的一部分。
开屏广告（Splash Ad） — 应用打开加载时展示的全屏广告；用户等待时无明确任务因而反感度低，品牌价值高，多以合约方式售卖。
插屏广告（Interstitial Ad） — 出现在应用暂停时、类似视频暂停广告的形式；与移动横幅一样点击率虚高、转化相对较差。
推荐墙（Offerwall） — 面向应用下载推广的直接推送类广告形式，可类比站外推荐。
积分墙 — 用户下载并激活应用后获得可兑换虚拟物品积分的激励广告；点击与激活数据好但后续活跃差，曾用于应用冲榜与游戏开服。
激励视频（Rewarded Video） — 用户观看一段不可跳过的 15–30 秒视频后获得虚拟奖励的原生广告；只奖励观看行为、不刺激下载，因而是用户质量不受损且 eCPM 最高的原生形态。
表现原生（Expressive Native） — 将广告的展示风格与样式做得与内容一致的诉求，要求由媒体控制广告展示形式（含字体、颜色等适配）。
场景原生（Scene Native） — 将广告投放决策逻辑与内容生产保持一致、按用户场景与意图触发的诉求；搜索广告在表现与场景两方面都原生。
植入式原生广告 — 媒体以结构化查询（如「类型=酒店；地点=拉萨」）向广告平台请求结构化付费内容、并按模板拼装渲染的原生广告平台机制。
结构化付费内容 — 原生广告平台广告库存的形态：不是成形创意，而是分行业的结构化字段素材，供媒体拼装成与内容无缝融合的创意。
oCPX — 计费与出价相分离的智能投放模式：计费仍按 CPM/CPC，广告主向平台表达转化出价，由平台承担预估与竞价换算，降低中小客户的投放门槛。
转化追踪（Conversion Tracking） — 从展示、点击到转化事件的记录与回传链路；移动端各行业转化统一收敛为应用市场下载，使转化率预估可跨行业共同建模。
混排（Mixing） — 自然内容与广告作为统一候选池、按可比较分数竞争展示位置的决策问题；信息流广告按同一准则统一排序的演进方向即混排问题的起点。
信息流密度（S/K） — 控制广告位置的两个参数：S 为首条广告出现的位置，K 为两条广告的间隔；在平均广告条数约束下调整 S/K 以优化整体点击率。
原生 RTB（Native RTB） — 原生广告与程序化交易的结合形态；适用于用户意图不明确、不要求按意图触发的原生场景（如社交信息流），而意图明确的搜索类原生不宜开放 RTB。
预算表达模式 — 广告主只设定每日预算、由平台将其均匀消耗并倒算出价的「傻瓜式」竞价模式；偏离实话实说原则，倒算出价高于真实转化价值时可能亏投。 术语表覆盖上篇（Part 1–5）、下篇（Part 6–11）与专题（Part 12 计算广告）全书内容。_

Keyboard shortcuts

推荐系统自动研究知识库