CTCVR 模型：广告后效优化的核心引擎

广告系统的传统目标是 CTR（点击率），但在行业广告中，真正重要的是 CVR（转化率）——广告主花钱买的是最终成交，不是点击。

CTR 为什么不够？

一个典型场景：

广告A：CTR 5%，CVR 0.5%
广告B：CTR 3%，CVR 2%

按 CTR 排序：A > B
按 eCPM(CTR × bid) 排序：A > B
但实际上：B 的价值远大于 A

所以需要预估 CVR。但 CVR 预估有两个挑战：

样本选择偏差：只有点击过的用户才有转化样本，在曝光阶段做 CVR 预估，样本空间不一致
数据稀疏：转化率通常 1-3%，正样本极少

ESMM 架构

ESMM（Entire Space Multi-task Model）是解决样本选择偏差的经典方案：

              ┌─────────┐
  曝光特征 →  │ Shared  │
              │Embedding│
              └────┬────┘
           ┌───────┴───────┐
           ▼               ▼
      ┌─────────┐    ┌─────────┐
      │ CTR Tower│    │ CVR Tower │
      └────┬────┘    └────┬────┘
           ▼               ▼
        pCTR            pCVR
           │               │
           └───────┬───────┘
                   ▼
           pCTCVR = pCTR × pCVR

关键设计：在曝光空间训练 CTR，在点击空间训练 CVR，CTCVR = pCTR × pCVR 建立联系。

这样 CVR Tower 可以借助 CTR Tower 的大量样本（CTR 正样本远多于 CVR 正样本）来学习更好的特征表示。

在线推理的挑战

模型是好的，但在线计算 CTCVR × bid 做排序需要极高时效性：

用户特征、广告特征、上下文特征实时拼接
双塔模型前向推理（~5ms）
排序打分（~1ms）

总计要求 < 10ms。解决方案：

特征预计算（用户侧特征离线算好）
模型蒸馏（从大模型蒸馏到线上小模型）
GPU 批处理（合并请求一起推理）

TROI 优化

当有了准确的 CTCVR 预估，就可以做 TROI（Target ROI）优化：

目标：在预算约束下，最大化总转化价值

调整出价 = 基础出价 × (实际 ROI / 目标 ROI) ^ α

其中 α 是调节因子，控制出价对 ROI 偏差的敏感度

这套机制让广告主的实际 ROI 更接近目标，从而提升长期留存和预算投入。