搜索引擎案例：点击模型

CH-24-04-015·约 18 分钟·AI实践项目·更新 2026-08-13

想象你经营着一家大型集市管理公司。集市里有成千上万个摊位，每个摊位都想排在入口最显眼的位置，但位置永远有限。你该如何决定谁有资格站在入口，谁去偏僻角落？最公平的办法，是看哪个摊位更受顾客欢迎。可如何判断“欢迎”？最直接的信号，就是顾客在哪个摊位前停下了脚步。搜索引擎的处境与集市管理者一模一样。用户输入一个关键词，面对海量网页，真正被点开的只有寥寥几个。每一次点击，都是用户用脚投出的一票；每一次“展示了却没人点”，也暗含着“这个网页可能没那么吸引人”的讯息。点击模型要做的，就是从这些真实点击行为中，还原每个网页与搜索词的真实相关度，帮搜索引擎把最值得看的结果排到前面。然而想读懂这些“投票”绝非易事：排在越前面的结果天然获得更多目光，店铺位置可能掩盖了商品质量；有些点击只是误触；冷门搜索词几乎没有数据可参考。本文将从集市经营的视角出发，沿着特征工程、位置偏置消除、日志采样、稀疏与噪声应对，再到生产部署，教你如何从嘈杂的点击数据中淘出真金。

岗位关联

点击模型是搜索与推荐工程师的核心基本功。掌握它，你就掌握了利用用户行为数据优化排序的完整方法论，这是通向高级算法工程师岗位的必修课。

可视化演示
点击行为建模
特征工程体系
位置偏置消除
日志采样技术
数据稀疏挑战
噪声应对策略
模型评估优化
生产工程落地
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示三方交互特征设计、位置偏置消除与CTR模型演进，可切换三种模式观察。

本节配有交互动效（进入视口后自动加载，约 3KB）。

特征工程用户历史行为、查询意图、文档内容、位置特征三方交互特征捕捉用户对查询下文档的偏好用户 × 查询 × 文档隐式点击反馈是排序的重要信号。

点击行为建模

集市里，顾客在摊位前停下，可能是被招牌吸引，也可能是被商品吸引。作为管理者，我们看不到顾客内心，但可以记录“停没停”这个动作本身。在搜索场景中，这个“停没停”，就是用户有没有点击搜索结果。

用户点击搜索结果，是一种典型的隐式反馈。它不像人工标注那样直白地告诉算法“这个文档与查询相关”，而是通过真实行为间接流露兴趣。它不像问卷那样昂贵，也不像标注那样缓慢——每次搜索都会产生点击，数据像河水一样源源不断。因此，点击成为搜索引擎训练排序模型最宝贵的“燃料”。

点击模型的基本单元是“一次展示”。每当一个搜索词进入系统，引擎会返回一批结果并展示在页面上，用户可能点击其中的若干个。最基本的统计指标是点击率（Click-Through Rate，CTR），它量化了一个结果被点击的强度：

就像集市管理者统计每个摊位的“驻足率”——路过的人里有多少人会停下——CTR 告诉我们，一个网页在用户面前的“停下率”有多高。但驻足率高不一定代表东西好，也许只是摊位位置好。这正是下一节要解决的问题。

\displaystyle \text{CTR} = \frac{\text{点击次数}}{\text{展示次数}}

CTR 的含义是“每展示 100 次，大约被点了几次”，它是点击模型最基础的因变量。

分子点击次数：统计周期内，该结果被用户点击的总次数。点击次数越多，说明用户越认可它。
$\displaystyle \text{点击次数}$
分母展示次数：统计周期内，该结果出现在搜索结果页上的总次数，无论用户是否真的看到了它。
$\displaystyle \text{展示次数}$
比值点击率：两者相除得到一个 0 到 1 之间的比率，作为“受欢迎程度”的量化信号。
$\displaystyle \frac{\text{点击次数}}{\text{展示次数}}$

特征工程体系

集市管理者不光记录“停没停”，还会观察是谁在停：是穿校服的学生，还是拎公文包的白领；是饭点来的，还是闭市前来的。这些细节组合起来，才能更精准地判断某个摊位适合哪类客人。

点击模型的特征工程，就是从用户、文档、查询及上下文等维度，把一次次点击背后的“为什么”提炼成机器能学习的数值表达。特征分四大类：

用户特征：年龄、性别、历史点击偏好、长期兴趣与短期兴趣；

文档特征：网页质量分、标题长度、关键词密度、内容时效性；

查询特征：查询词长度、意图类别（导航型/信息型/交易型）、拼写是否规范；

交叉特征：查询词与标题的字符重叠率、语义向量相似度、用户与文档的历史交互次数。

频次与计数类特征往往跨越多个数量级：有人一天搜索上千次，有人一周只搜三次。直接喂给模型会令训练不稳定，工程上常用对数变换来压缩动态范围：

这就像集市管理者不直接记“来过 500 次”，而是按“新客/熟客/常客”分档，让规律更清晰。特征决定了点击模型的上限，模型只是逼近这个上限。

\displaystyle x'_i = \log(1 + x_i)

原始特征值设第 $i$ 个特征的原始数值为 $x_i$，例如用户当天搜索次数为 300。
$\displaystyle x_i$
加一再取对数加 1 是为了保证 $x_i=0$ 时结果为 0 且导数平滑；取自然对数后，300 被压缩为约 5.7。
$\displaystyle \log(1 + x_i)$
变换后的特征$x'_i$ 的范围更集中，模型更容易学到稳定的权重。
$\displaystyle x'_i$

位置偏置消除

集市入口的摊位每天客流上万，最角落的摊位一天却难有几人问津。即便角落的商品更好，“驻足率”也注定拼不过入口摊位。管理员若只看驻足率评优，就是被“位置效应”欺骗了。

搜索引擎同理：排在第 1 位的结果天然比第 10 位获得更多曝光与点击。用户浏览结果页时，注意力随位置急速衰减。模型如果直接把位置带来的点击当作“相关性高”，就会陷入恶性循环——越靠前点击越高，越高越被排前面，真正的好内容却被永远埋没。

位置偏置（Position Bias）的经典分解是：一次观察到的点击，等于“被看见”与“看见后觉得相关”两个事件同时发生：

工程上最简单的破局思路，是把位置编号作为特征喂给模型，让模型自己学会“第 3 位的点击系数要打七折”；更严格的做法是按各位置的整体点击率估计出位置影响曲线，再还原文档的真实实力。管理者评估摊位时，只要扣除客流差异，就能还给角落的好摊位一个公道。

\displaystyle P(\text{click} \mid d, p) = P(\text{seen} \mid p) \times P(\text{relevant} \mid d)

观测点击概率给定文档 $d$ 和位置 $p$，用户点击它的概率。
$\displaystyle P(\text{click} \mid d, p)$
位置可见性$P(\text{seen} \mid p)$ 只取决于位置 $p$，排位越靠前越大，与文档好坏无关。
$\displaystyle P(\text{seen} \mid p)$
真实相关度$P(\text{relevant} \mid d)$ 只取决于文档本身与查询的匹配程度，这才是我们要恢复的目标。
$\displaystyle P(\text{relevant} \mid d)$

日志采样技术

集市每天产生几十万条人流记录，全量分析成本太高，管理员决定随机抽取一部分来估计全局规律。这个“抽”，就是采样的雏形。

点击日志同样海量——一个中型搜索引擎一天产生数十亿条展示记录。全部负样本（展示未点击）参与训练会带来两大问题：一是数据量过大拖慢训练，二是正负样本严重失衡，模型会倾向把所有结果都预测为“不点”。因此必须有策略地采样。

常用方法包括：按时间或数量均匀抽样的等量采样；对负样本按比例降采样（如只保留 10% 的未点击记录）；构造困难负样本，挑出那些展示靠前却没人点的结果重点学习。但采样改变了原始分布，会引入新的偏置，需要用重要性加权修正：

管理员抽样时，会给底客流摊位的样本加倍计权，避免抽样导致评价失真。采样不是目的，在控制成本的同时不失真地反映集市全貌，才是真功夫。

\displaystyle L' = \frac{1}{N} \sum_{i=1}^{N} \frac{1}{p_i} \cdot \ell_i

样本损失$\ell_i$ 表示第 $i$ 条样本在模型上产生的损失。
$\displaystyle \ell_i$
采样概率$p_i$ 是该样本被抽中的概率。负样本降采样后，$p_i < 1$。
$\displaystyle p_i$
加权修正除以 $p_i$，让被抽中的样本“膨胀”回原来的贡献权重，保证期望梯度无偏。
$\displaystyle \frac{1}{p_i}$
平均损失对加权后的所有损失取平均，得到修正后的目标函数。
$\displaystyle \frac{1}{N} \sum_{i=1}^{N}$

数据稀疏挑战

集市里刚开张的新摊位没有历史客流数据，管理员想评优却找不到任何记录——这就是冷启动。搜索中的新网页、长尾查询词，同样面临数据稀疏。

点击数据稀疏的根源有三：一是长尾查询出现次数极少，二是新文档没有历史点击，三是特征空间极大——用户 ID 与文档 ID 的组合几乎无限，绝大多数格子是空的。

稀疏会让统计估计的方差变大：一个只有 3 次展示、1 次点击的文档，真实 CTR 未必是 33%。工程上常用平滑技巧，给计数加一个先验，让少量数据向整体均值“收缩”。拉普拉斯平滑是经典方法：

新摊位评优时，不能只看绝对数字，而要跟全集市同类摊位的平均客流做“折中”——数据越少越相信先验，数据越多越相信实际。平滑让冷启动条件下的排序不至于全凭运气。

\displaystyle P_\text{smooth} = \frac{c + \alpha}{n + \alpha \cdot K}

真实点击次数$c$ 是文档在当前查询下被点击的次数。
$\displaystyle c$
总展示次数$n$ 是该文档的累计展示次数。
$\displaystyle n$
类别数与平滑参数$K$ 是文档总数，$\alpha$ 控制先验强度，$\alpha$ 越大平滑作用越强。
$\displaystyle K, \quad \alpha$
平滑后的概率分子分母同时加上先验项，当 $n$ 很小时，概率被拉向全局平均 $c/K$。
$\displaystyle \frac{c + \alpha}{n + \alpha \cdot K}$

噪声应对策略

集市里会有“假驻足”：有人只是掏手机时在摊位前停了两秒，有人误把摊位当成出口方向。管理员若把每个驻足都当作真心喜欢，就会被噪声带偏。

点击噪声的主要来源有：误触（手指滑动的意外点击）、机器人爬虫（非真实用户）、标题党（点击后发现内容无关而立即返回）。一条结果被点击后用户立刻返回，那么这次点击非但不是正反馈，反而是负反馈。

工程上的应对策略是多管齐下：第一，用点击后行为做加权，例如用停留时间给点击样本打折，停留越短权重越低；第二，过滤明显异常流量，如同 IP 高频点击、没有鼠标移动记录的瞬间点击；第三，用鲁棒损失函数降低极端噪声样本的影响。停留时长加权常用 sigmoid 形式的软权重：

管理员最终学聪明了：驻足满 3 秒才算真心喜欢，路过碰一下不作数。点击模型同样学会用停留、翻页、后续行为去印证每一次点击，噪声与信号由此分离。

\displaystyle w_t = \sigma\left(\frac{t - t_0}{\tau}\right)

原始停留时长$t$ 表示用户在该结果页上的停留时长，单位秒。
$\displaystyle t$
阈值与时标$t_0$ 是“有效停留”的阈值，例如 3 秒；$\tau$ 控制过渡的陡峭程度。
$\displaystyle t_0, \quad \tau$
软加权过渡$\sigma$ 是 sigmoid 函数，当 $t$ 远小于 $t_0$ 时权重接近 0，远大于后接近 1，让模型对“秒退”噪声自动降权。
$\displaystyle \sigma\left(\frac{t - t_0}{\tau}\right)$

模型评估优化

管理员做了一副“客流-质量”评估表，用来检验自己的评优规则是否真的能把好摊位选出来。没有可靠的度量，一切优化都是盲人摸象。

点击模型的核心评估指标分两类：排序质量与概率校准。AUC 衡量模型是否把正样本排到负样本前面，对排序敏感，但对概率绝对值不敏感；LogLoss（对数损失）则惩罚“该给 0.9 却给了 0.4”的胆怯预测，直接衡量概率校准水平。AUC 高不代表线上 CTR 预估可信，工程上两个指标都要盯：

评估之后是持续优化：离线用历史日志验证新特征是否提升 AUC 与 LogLoss，线上用小流量 A/B 实验验证真实点击率与业务指标。管理员每隔一段时间就用新一季的客流数据重新校准评优表——模型也需要定期重训，才能跟上用户口味的变化。

\displaystyle \mathcal{L} = -\frac{1}{N} \sum_{i=1}^{N} \left[ y_i \log p_i + (1 - y_i) \log (1 - p_i) \right]

真实标签$y_i$ 是第 $i$ 条样本的真实点击标签，点击为 1，未点击为 0。
$\displaystyle y_i \in \{0, 1\}$
预测概率$p_i$ 是模型给出的预测点击概率。
$\displaystyle p_i$
交叉熵惩罚当 $y_i=1$ 时只保留第一项 $-\log p_i$，$p_i$ 越接近 1 损失越小；当 $y_i=0$ 时只保留第二项。
$\displaystyle y_i \log p_i + (1-y_i) \log(1-p_i)$
批量平均对 $N$ 条样本求和后取平均，得到整个验证集的对数损失。
$\displaystyle -\frac{1}{N} \sum_{i=1}^{N}$

生产工程落地

管理员有了完善的评优算法，但想在全辖区推广，必须把它变成一套自动运转的机器：客流数据不断流入，评优结果自动产出，规则失灵时自动报警。这就是“从模型到产品”。

生产环境的点击模型远不止训练一个算法：数据管道（ETL）负责清洗、采样、产出训练集；特征平台保证线上与离线特征一致，即训练-服务一致性；模型服务以毫秒级延迟完成在线推理；监控系统持续追踪特征分布、预测分布与点击率指标。一个请求的完整链路预算可以表示为：

集市的评优机器还要应对概念漂移：节假日客流规律与工作日完全不同。生产系统的监控告警能在“评优结果异常波动”时第一时间通知管理员介入，再配合小时级或天级增量重训，让点击模型始终贴近用户当下的真实行为。

\displaystyle T_\text{total} = T_\text{feature} + T_\text{inference} + T_\text{rerank}

特征读取耗时$T_\text{feature}$ 是从特征存储读取实时特征的时间，目标在毫秒级。
$\displaystyle T_\text{feature}$
模型推理耗时$T_\text{inference}$ 是模型打分所占的时间，模型越复杂耗时越大。
$\displaystyle T_\text{inference}$
重排整合耗时$T_\text{rerank}$ 是把点击模型得分与业务规则、多样性约束整合的时间。
$\displaystyle T_\text{rerank}$

AI 应用场景

场景 1：搜索排序与相关性反馈闭环

阶段：模型训练与评估

解决的问题：搜索引擎需要持续判断“哪个网页对当前查询最相关”。人工标注成本高、更新慢，无法覆盖海量长尾查询。点击模型利用用户在真实搜索中的点击日志自动产出训练标签并更新排序模型，把相关性优化从人工标注模式升级为数据驱动的闭环。

具体案例：某资讯类 App 的搜索团队每天收集千万级曝光日志，通过位置特征加停留时长过滤后训练点击率预估模型，每周自动重训一次，搜索点击率提升 8%，前三位结果的跳出率下降 12%。

场景 2：推荐流中的广告 CTR 预估

阶段：特征工程与在线推理

解决的问题：广告竞价需要精确预估广告被点击的概率，位置偏置同样严重——信息流里靠前的广告天然点击更高。点击模型的特征工程与偏置消除方法可以直接迁移到广告场景：预估更准，就能为每个流量合理定价，避免出价过高浪费预算或出价过低错失曝光。

具体案例：某电商平台的广告团队在推荐流中引入位置偏置特征，并采用点击日志降采样训练 CTR 模型，广告收入提升 15%，同时将无效点击（停留不足 2 秒）带来的虚假曝光量降低 30%。

Python 演示

python54 行

"""点击模型演示: 合成日志, 位置偏置修正, 还原真实相关度"""import numpy as np rng = np.random.default_rng(42)N_DOCS = 50N_SHOW = 200000 # 真实相关度: 文档质量(模型要推断的对象)true_rel = rng.beta(2, 5, size=N_DOCS) doc_ids = rng.integers(0, N_DOCS, size=N_SHOW)positions = rng.integers(1, 11, size=N_SHOW) # 位置偏置: 排位越靠前越容易被看见# 点击概率 = 0.05 + 0.5 * 真实相关度 / 位置p_click = np.clip(0.05 + 0.5 * true_rel[doc_ids] / positions, 0.0, 0.95)clicks = rng.binomial(1, p_click)  def avg_by_group(values, groups, n_groups):    out = np.zeros(n_groups)    cnt = np.zeros(n_groups)    for g in range(n_groups):        m = groups == g        cnt[g] = m.sum()        out[g] = values[m].mean() if cnt[g] else 0.0    return out, cnt  doc_raw, doc_cnt = avg_by_group(clicks, doc_ids, N_DOCS)pos_ctr, _ = avg_by_group(clicks, positions, 10)avg_pos, _ = avg_by_group(positions, doc_ids, N_DOCS) m = doc_cnt > 100  # 过滤展示过少的文档doc_est = np.zeros(N_DOCS)doc_est[m] = (doc_raw[m] - 0.05) * avg_pos[m] / 0.5 corr_raw = np.corrcoef(doc_raw[m], true_rel[m])[0, 1]corr_est = np.corrcoef(doc_est[m], true_rel[m])[0, 1] print("位置效应: 1-10 位的平均点击率")for p in range(10):    print(f"  pos {p+1:2d}: {pos_ctr[p]:.3f}") print("\n展示量最高的 10 个文档")idx = np.argsort(-doc_cnt)[:10]for d in idx:    print(f"  doc {d:2d} n={doc_cnt[d]:6d} "          f"raw={doc_raw[d]:.3f} est={doc_est[d]:.3f} "          f"true={true_rel[d]:.3f}") print(f"\n与真实相关度的 Pearson 系数")print(f"  原始CTR   : {corr_raw:.3f}")print(f"  修正后    : {corr_est:.3f}")

目的：合成模拟点击日志，直观对比“原始点击率”与“位置修正后的相关度估计”哪个更能反映文档真实质量。

positions = rng.integers(1, 11, size=N_SHOW)随机给每次展示分配一个 1 到 10 位的排名，模拟搜索结果页位置。
p_click = np.clip(0.05 + 0.5 * true_rel[doc_ids] / positions, 0.0, 0.95)点击概率由文档真实相关度除以位置双重决定，位置越靠前点击率越高。
def avg_by_group(values, groups, n_groups)按文档或位置分组求平均点击率，得到原始 CTR 和位置效应曲线。
doc_est[m] = (doc_raw[m] - 0.05) * avg_pos[m] / 0.5核心修正：从原始 CTR 中扣除基线 0.05，再乘以平均位置，反推出真实相关度的估计。
np.corrcoef(doc_raw[m], true_rel[m])计算原始 CTR 与真实相关度的相关系数，对比修正前后的相关性大小。

常见误区

误区搜索结果排第一名的文档点击率最高，所以它一定是最相关的。我把每个位置的 CTR 拉出来排序，直接当作质量排名不就好了吗？

正解点击率是“相关度 × 位置可见度”的混合产物，前排结果占了位置的光。真正要做的是像集市管理者那样扣掉位置效应：要么把位置作为特征让模型学习，要么用位置系数修正后再比较。否则会陷入“排得前→点得多→排得更前”的马太效应，让优质但排在后排的结果永远翻不了身。

为何常见：人们在日常经验中自然地认为“被更多人选中 = 更好”，因为生活中没有明显的“位置偏置”。但搜索列表的线性排列制造了极强的注意力衰减，人的直觉在这里失效。

误区用户没点这个结果，就说明他不喜欢。我直接把所有未点击的展示都标成负标签训练模型。

正解未点击可能只是因为结果排在第三屏、用户根本没看到。像评价新摊位不能把“没路过的人”算作“不喜欢”一样，未曝光不等于负反馈。合理做法是先把“展示”与“看见”分开建模，或对低位置负样本降权，而不是一视同仁地喂给模型。

为何常见：日志里只有“展示-未点击”这个二元事实，没有直接记录用户是否真的看到了，初学者容易把观测到的行为当成用户的态度。

误区日志太大了，我随机抽 10% 来训练就行，反正数据少点也能收敛，顶多效果差一点点。

正解纯随机抽样不改变分布，一般不引入偏置；但如果你对负样本做“只保留 10%”的降采样，训练分布就被改变了，预测概率会系统性偏高。必须按采样概率做重要性加权修正，即除以 $p_i$，否则模型在线上预估的 CTR 会全部失真。

为何常见：很多人没意识到采样除了减少数据量，还隐藏着“改变先验分布”的副作用。看似无伤大雅的比例调整，在百万级日志上会被放大成显著偏差。

误区我把用户 ID、文档 ID、精确到秒的时间戳、IP 段全部做成 one-hot 特征扔进模型，特征空间几亿维，模型一定更准。

正解高维稀疏特征会加剧数据稀疏问题：绝大多数特征组合没有任何样本，模型学到的是噪声而非规律。正确的方向是控制特征维度、做特征选择与哈希、配合平滑和 Embedding 降低稀疏性。特征要精挑细选，不是韩信点兵、多多益善。

为何常见：机器学习教材常讲“特征决定上限”，初学者误以为加得越多上限越高，忽略了稀疏和过拟合在实际稀疏日志中的代价。

面试题

Q1. 点击模型最核心的数据来源是什么？

单选题 · easy

A.人工专家标注标签
B.用户真实点击日志← 正确答案
C.第三方评测机构数据
D.网页爬虫批量抓取内容

答案：B。点击模型的核心是隐式反馈。用户真实点击日志规模大、成本低、实时性强；人工标注成本高且覆盖有限，爬虫抓取的是网页内容而非用户行为，评测机构数据无法做到海量实时。因此 B 是唯一正确选项。

Q2. 关于 CTR，下列哪个说法正确？

单选题 · mid

A.CTR 等于展示次数除以点击数
B.CTR 等于点击数除以展示次数← 正确答案
C.CTR 等于独立访客除以点击总数
D.CTR 等于点击用户数除以访客数

答案：B。CTR（点击率）的定义是点击次数除以展示次数，表示每次展示带来点击的概率。A 把分子分母颠倒了，C 和 D 引入“独立访客”概念，均不是标准 CTR 定义。

Q3. 位置偏置是指什么现象？

单选题 · mid

A.排名靠前的结果天然点击率更高← 正确答案
B.移动端和电脑端广告位高度不同
C.搜索结果页底部广告导致误点频繁
D.用户总喜欢翻到第二第三页去点击

答案：A。位置偏置指用户注意力随排名递减，位置 1 即使相关度一般也更容易被点击。B 是设备差异，C 是广告问题，D 与真实用户行为相反——绝大多数用户只看前几页。

Q4. 消除位置偏置的合理方法有哪些？

多选题 · mid

A.把位置编号作为特征交给模型学习← 正确答案
B.只用排在第一位的点击数据建模
C.完全忽略位置直接统计每个文档 CTR
D.按位置点击率曲线反向修正点击权重← 正确答案

答案：AD。A 让模型自己学习位置效应，D 是显式修正，两者都合理。B 会严重损失数据且仍有偏置，C 等于没有消除位置偏置。因此正确答案是 A 和 D。

Q5. 为什么不能把“展示未点击”全部当作负面样本？

单选题 · easy

A.用户可能根本没看到该结果← 正确答案
B.负面样本太多模型无法收敛
C.正面样本太少导致类别不均衡
D.未点击的结果是用户不感兴趣的

答案：A。核心原因是“未看见”不等于“不喜欢”。排在后排的结果用户可能根本没浏览到，把它们标为负样本会误导模型。B 和 C 是数据层面的问题，D 则把未点击直接等同于不感兴趣，恰恰是误区所在。

Q6. 关于点击日志采样，下列做法正确的是？

多选题 · hard

A.对负样本降采样以减少训练数据量← 正确答案
B.用重要性权重 1/p 修正采样偏置← 正确答案
C.把所有正样本丢弃只保留负样本训练
D.为长尾查询样本适当增加采样频率← 正确答案

答案：ABD。A 是常见的负样本降采样，B 是修正采样分布的必要手段，D 是对长尾数据的主动上采样策略，均正确。C 丢弃全部正样本会导致模型无法学习正类模式，显然错误。

Q7. 拉普拉斯平滑对稀疏点击数据的作用是什么？

单选题 · mid

A.降低小样本估计的方差并防止概率为 0← 正确答案
B.用梯度下降加速模型训练收敛过程
C.把连续特征压缩到相同数量级范围
D.自动删除噪声样本提升数据质量

答案：A。拉普拉斯平滑通过加上先验项，让仅有一次点击的文档概率向全局均值收缩，既降低方差又避免概率为 0。B 是优化器的事，C 是特征归一化，D 是数据清洗，均与平滑无关。

Q8. 相比 AUC，LogLoss 在点击模型评估中补充了什么信息？

单选题 · hard

A.对预测概率的校准程度更敏感← 正确答案
B.能直接衡量排序位置的准确性
C.计算速度比 AUC 快一个数量级
D.不受正负样本比例失衡的影响

答案：A。AUC 只关心正负样本的相对排序，不关心预测概率是否准确；LogLoss 则惩罚“该给 0.9 却给了 0.4”的校准偏差。B、C、D 都不是 LogLoss 的特性，其中 D 对两个指标都不成立。

Q9. 关于生产环境点击模型的持续优化，正确的是？

多选题 · extreme

A.用线上 A/B 实验验证新模型效果← 正确答案
B.监控特征分布与预测分布检测漂移← 正确答案
C.模型上线后不再需要重训与更新
D.定期用新日志重训以适配用户兴趣变化← 正确答案

答案：ABD。生产系统需要 A/B 实验验证收益、监控分布漂移预警、定期重训紧跟用户兴趣变化，A、B、D 均正确。C 完全错误——用户行为会漂移，模型上线只是持续迭代的起点。

Q10. 什么是冷启动问题？

单选题 · easy

A.新文档没有历史点击数据难以评估← 正确答案
B.服务器刚启动时模型加载速度慢
C.用户第一次打开搜索引擎的引导页
D.日志数据从磁盘加载到内存的过程

答案：A。冷启动指新文档或新查询缺乏历史点击数据，导致模型无法可靠评估其相关度。B、C、D 都是对“冷启动”字面意思的误解，与机器学习中的数据稀疏问题无关。