SHOWS 数十倍增长的背后：广告智能匹配的工程实践

这是我在广告系统触发召回方向的一个里程碑：一组策略优化让智能匹配的 SHOWS 增长了数十倍，点击量也同样大幅提升。

背景：精确匹配的瓶颈

传统关键词广告的匹配逻辑很简单：用户 query 分词 → 去广告词倒排索引求交 → 召回匹配的广告。

这个机制有两个致命问题：

1. 覆盖不足 广告主买 100 个词，能精确匹配的 query 可能只有 30 个。剩下 70 个 query 流量完全浪费。

2. 广告主也不知道买什么词 长尾词的量级远超任何人的枚举能力——几亿个 query，你不可能一个个买。

核心思路：不再要求 query 包含广告词，而是判断 query 和广告在语义上是否相关。

具体做法分三层：

用户搜："北京朝阳区装修"
改写为：["北京装修", "朝阳区装修", "北京家装"]
→ 去倒排索引匹配这组改写词

改写用到了 query 点击历史 + 协同过滤——“搜 A 的人最后点了什么广告”。

广告主买："宝马3系"
泛化为：["宝马", "3系轿车", "宝马320", ...]
→ 这些泛化词都能被用户 query 匹配

泛化依赖广告的文本描述、落地页内容、历史点击分布。

用训练好的浅层模型把 query 和广告词映射到同一个语义空间，直接用向量检索代替精确字符串匹配。

所有匹配逻辑必须在 20ms 内完成（从请求到出候选），所以：

最关键的不是绝对值，而是证明了语义匹配在商业广告系统中是可行的，为后续深度学习召回铺平了道路。