1. 如何建模廣告之間的相互影響，廣告和自然搜索結果的相互影響。

幾乎所有的廣告系統(tǒng)進行廣告點擊率預測時候都基于廣告之間是獨立的假設，但是實際上這顯然是不對的。假設有三個廣告，上下順序不一樣時，每個廣告點擊的概率都是會有變化的。目前也有一些學術界的論文從不同角度解釋的這個現(xiàn)象，但沒有一個完全解決這個問題的，因為有兩大困難：

1）廣 告之間的影響是復雜的，不容易利用一些假設來反映人看到整個頁面時的反應。

2）假設能建模出影響，現(xiàn)有的競價和收費機制能否好兼容，如何解釋都是大問 題。同時，現(xiàn)在用戶看到的結果有很多，不但有自然搜索結果，靜態(tài)創(chuàng)意的廣告，甚至還有動態(tài)創(chuàng)意的廣告，以及其它形式的檢索結果。這些檢索結果的點擊率是受 所有看到因素影響的。如何在保證檢索效率的前提下，來大化點擊率是個很大的問題。

2. 如何保證新策略能長期有效？

假設設計和開發(fā)了新策略，模型預測效果和小流量效果都很好。那么它是絕對好的嗎？答案是否定的。影響一個新策略長期有效的因素有 很多，比如流量的變化，廣告庫的變化，訓練樣本的更新變化，線上其它策略的影響等。假設其它變化我們無法控制除外，訓練樣本的變化則是我們自身策略無法保 持長期優(yōu)秀的一個重要因素。這也屬于的“雞和蛋，誰先有”的問題。假設一個樣本集合，我們更新了模型的特征或者模型自身的一些參數(shù)，然后再上面訓練出了一 個比之前的更好的模型，小流量效果也都很贊。當這個新策略上線后，它改變了廣告的排序（每個廣告的點擊率由新策略影響），然后基于這些受影響后的樣本重新 訓練模型效果就不一定像第一次那么穩(wěn)定，而且大多時候是比第一次更新時候有所衰減的。

3. 如何做好個性化？

不同用戶個性差異很大，因此在很多系統(tǒng)中都有個性化因素的考慮。搜索廣告點擊率預測當然也不例外，去年百度高獎之一就是這方面 的項目。那么個性化會有哪些困難？

首先是技術方面的：

1）個性化的feature會更大更稀疏，模型訓練會更加困難；

2）如何檢測識別出個體，設計 cookie mapping，session segment等。

然后就是產(chǎn)品層面的：

1）如何給客戶解釋個性化因素在每次廣告展示的影響；

2）個性化會給系統(tǒng)異常排查帶來較大困難，特別是比較難回歸 case。

4. 如何做好相關性和預測點擊率在排序中影響？

幾乎每個人都不會否認相關性對點擊率的影響，但也總能找出很多廣告其點擊率很高，但相關性不高，也總能找出很多廣告相關性很高但 點擊率很低。那么在廣告排序中如何做好兩者的和諧共存呢？

業(yè)界有兩種做法：

1）相關性和預測點擊率都直接參與排序；

2）相關性在觸發(fā)階段保證，排序階段只 考慮預測點擊率。兩者孰優(yōu)孰劣，沒有定論。更復雜的是，每類廣告設置每個廣告這兩者在排序時的影響都應該是不一樣的。比如有些敏感廣告，色情廣告他們的點 擊率一般都不會低，此時可能應該更考慮相關性的限制。