在线广告的核心计算问题和挑战
广告中的计算问题可以概括为下面的公式（Find the best match between a given user u, in a given context c, and a suitable ad a）。下面公式中a表示Sponsor（advertiser），c表示媒体（context），u代表受众（user）。公式的含义是：给定user，给定context，选择一组ad，使得ROI最高。ROI对于不同的产品形态是不同的，后面会再讨论。i是impression，注意这里优化的是一组impressions，即要优化的是impression整体的ROI，而不仅仅是一次的ROI。
这个计算问题是一个比较复杂的问题。从优化角度看它会涉及：
1. 特征提取：个人理解是受众定向，即把u和c打上标签的过程，这是重要的一步。
2. 微观优化，对一次展示进行优化，得到最好的广告，最关键的技术是CTR预测。
3. 宏观优化：因为在线广告是用户，媒体，广告商三方博弈，所以竞价市场机制的设计非常重要，如果它设计的不好，那影响是巨大的。
4.受限优化：无论是品牌广告还是效果广告，都有质和量两个方面的需求，对品牌广告来讲，大部分情况下，量比质更重要，比如宝洁，它要投一个campaign， reach大量人群，如果广告仅是点击率比较低，那宝洁可能是可以接受的，但如果预计要reach 20万人，但最后只reach了10万人，那它是不能接受的。但对于效果广告来说，质一般要重要一点，但是量还是重要的。受限优化要解决的就是在量一定的情况下，怎么来优化质，在线分配就是这个问题。
5. 强化学习：如何知道在新的广告主或新的用户群预测它的点击率，很直觉的想法是尝试，分配一定的流量给广告，看是男性用户点击率高还是女性。但是在尝试的过程中会损失一部分收入，因为不是按最优策略出广告的了。尝试的过程即探索，使用探索的结果即利用。
6. 个性化重定向：会深入的使用推荐技术。
从系统角度来会涉及：
1. 候选查询：要使用实时索引技术，使广告能很快地进入索引，很快指两个方面，新的广告要能尽快上线，广告预算用完的广告要尽快下线。
2. 特征存储：在线高并发要用到一些No-Sql技术。
3. 离线学习：很多时候要用到Hadoop。
4. 在线学习：一些比较快的反馈，比如得到用户上一个搜索词，要用到流计算技术。
5. 交易市场：要用到实时竞价。
在线广告计算的主要挑战有：
大规模（Scale）
因为计算广告要处理的是广告主，用户，媒体三者的数据，所以数据量非常大，百万量级的页面（没有搜索要处理的十亿级量大）和十亿量级的用户，需要被分析处理。线投放系统中的高并发挑战 (例: Rightmedia每天处理百亿次广告交易，它会向多个DSP去请求，即每天要进行千亿次的请求)，响应速度在常见的web应用中可能是最高的，广告系统对Latency有严格要求(例: ad exchange要求DSP竞价在100ms内返回，在 100ms内DSP要做完所有的Target，CTR预测，选出合理的广告返回)，对于广告效果本身，Latency也是很重要的，广告晚展示100ms，效果就比较明显的变差了。
动态性（Dynamics）
从建模的广度讲动态性是很重要的。比如一个用户想买一双运动鞋，他可能会去电商网站搜索，但这种兴趣在购完后可能就会消失。所以需要所建立的模型支持快速变化，比如涉及到CTR预测，那么模型参数是否能快变，特征是否能快速改变都是有挑战的。
丰富的查询信息 (Rich query)
在搜索中只需要用户所键入的关键词外，不再需要更多的信息就可以产生比较好的结果了。而在广告中，则需要多方面的信息，用户的信息，上下文的信息，用户的短期行为等等。搜索中查询一般是一到四个关键词，而如果把广告看成是搜索问题，那它的查询条件有几十上百个之多。
探索与发现 (Explore & exploit)
用户反馈数据局限于在以往投放中出现过的(a, u, c)组合，需要主动探索未观察到的领域，以提高模型正确性