程序化广告技术架构
特点：大中台、小前台、数据驱动、算法为核心 ， 集投放、交易、数据、算法于一体
一、通用架构
一次程序化广告请求，通常要经历以下流程：
用户访问媒体 → 媒体发起广告请求 → SSP/ADX 解析请求并询价
→ 多个 DSP 收到竞价请求 → DSP 内部进行定向、频控、出价
→ 胜出 DSP 返回广告素材 → 广告展示并上报监测核心模块包括：
- 接入层：API 网关、协议解析（OpenRTB 等）、流量分发
- 竞价引擎：实时出价决策，通常在毫秒级完成
- 定向服务：用户画像、人群包、地域/设备/行为定向
- 频控与预算控制：跨广告活动统一控制
- 数据管道：日志采集、实时流处理、离线数仓
- 模型服务：CTR/CVR 预估、智能出价、创意优选
- DMP/CDP：一方/二方/三方数据融合、标签计算
- 交易市场：ADX 内部竞价 + 对接外部 DSP/SSP
- 监测与归因：曝光/点击/转化跟踪，反作弊
二、大厂架构特点
1. 腾讯广告（广点通 / 微信广告 / 优量汇）
腾讯广告体系覆盖微信、QQ、腾讯视频、腾讯新闻、优量汇联盟等，整体架构强调统一投放、统一数据、统一模型。
关键组件：
- 投放平台（eQQ/如翼）：广告主统一管理微信、QQ、联盟等流量。
- 优量汇：连接外部开发者流量的 SSP/ADX。
- DMP（腾讯广告数据管理平台）：整合腾讯生态内数据，提供人群洞察与扩展。
- 太极机器学习平台：腾讯自研的大规模机器学习训练与推理框架，支撑广告 CTR/CVR 模型。
- 混元 AI 大模型：近年逐步应用于创意生成、智能出价、内容理解。
技术特点：
- 流式计算：基于 Flink 等处理实时曝光、点击、转化日志，更新特征和频控。
- 特征工程：海量用户画像特征（社交、内容、支付、位置等），实时特征与离线特征混合。
- 模型：早期以 LR、GBDT 为主，现在广泛使用深度学习（DeepFM、DIN、DIEN 等），并引入多目标建模、序列模型。
- 流量分配：内部流量与联盟流量统一在 ADX 中竞价，支持 PD、PDB、RTB。
- 隐私计算：探索联邦学习、多方安全计算，用于数据合作。
2. 巨量引擎（字节跳动：抖音、今日头条、穿山甲）
字节的广告系统与推荐系统同源共栈，广告就是推荐的一种特殊形式，强项在于大规模实时个性化推荐与深度转化模型。
关键组件：
- 巨量广告平台：广告主投放入口，覆盖抖音、今日头条、西瓜视频等。
- 穿山甲：国内最大的移动广告联盟之一，充当 SSP 和 ADX，为开发者变现。
- 巨量云图：营销数据中台，提供人群资产分析、洞察、投放策略。
- 推荐/广告引擎：自研的实时计算与模型推理框架，支持超大规模特征和模型。
技术特点：
- 深度转化模型：从点击率、转化率到深度行为（付费、留存）的多目标预估，采用多任务学习、ESMM、PLE 等结构。
- 实时竞价与智能出价：支持 oCPM、oCPC、Max Conversion 等，通过强化学习动态调整出价。
- 大规模特征与模型：参数规模达万亿级，使用分布式训练（如 Parameter Server、GPU 集群），在线推理延迟控制在毫秒级。
- 流式数据处理：基于 Kafka/Flink 实时处理海量行为日志，实时更新用户特征和模型。
- 创意生态：动态创意优选、自动生成素材、程序化创意工具。
- 联邦学习：与广告主数据协作，保护隐私的同时优化模型。
3. 阿里妈妈（Tanx / 万相台 / 直通车）
阿里妈妈的广告系统与电商交易深度绑定，核心优势是全链路数据闭环（浏览-点击-加购-支付），擅长精准转化预估与智能出价。
关键组件：
- Tanx：阿里旗下的 Ad Exchange，对接淘宝内外流量。
- 直通车/引力魔方/万相台：面向淘宝/天猫商家的搜索、展示、全场景投放产品。
- 达摩盘：阿里妈妈 DMP，整合电商、支付、物流等数据。
- 实时计算平台：基于 Blink（阿里改进版 Flink）处理海量实时数据。
技术特点：
- CTR/CVR 预估模型：阿里妈妈提出并应用了大量业界知名模型，如 DIN、DIEN、DSIN、BST 等，强调用户行为序列建模。
- 多目标优化：GMV、ROI、LTV 等目标联合建模，使用多任务学习。
- 智能出价：基于强化学习和运筹优化，支持最大化 GMV、控制成本等策略。
- 全域营销：打通站内站外数据，利用数据中台实现人群在淘外媒体和淘内转化的联动。
- 隐私保护：探索差分隐私、多方安全计算，用于数据银行等合作。
4. 百度营销（凤巢 / 百度联盟）
百度以搜索广告起家，程序化展示广告与搜索广告在底层技术和数据上打通，优势在于意图理解与知识图谱。
关键组件：
- 凤巢系统：百度搜索广告核心，负责关键词匹配、排序、计费。
- 百度信息流广告：基于 Feed 流的原生广告，与程序化交易结合。
- 百度联盟：连接中小网站和 App 的 SSP。
- 观星盘：百度 DMP，整合搜索、地图、内容等数据。
技术特点：
- Query 理解：NLP、语义匹配、知识图谱用于搜索广告相关性。
- 深度排序模型：从 LR、GBDT 演进到深度学习（如 DSSM、Transformer），处理文本和用户行为。
- 实时竞价：在展示广告中采用类似 RTB 的机制，并融合搜索意图定向。
- 智能出价与预算分配：基于控制理论、强化学习优化。
- AI 技术：百度在自然语言处理、语音、图像方面的积累应用于广告创意和定向。
5. 快手磁力引擎
快手广告与短视频/直播内容紧密结合，程序化广告在信息流中穿插，强调原生体验与转化效率。
关键组件：
- 磁力金牛：商家/广告主投放平台。
- 快手联盟：外部流量变现平台。
- 磁力方舟：数据洞察与人群管理。
技术特点：
- 短视频/直播场景理解：图像、视频内容理解，用于上下文定向和创意推荐。
- 实时推荐与广告混排：广告与自然内容在同一推荐流中竞价和排序，平衡用户体验与收入。
- 深度转化模型：支持激活、付费、留存等多目标，采用 oCPX 出价。
- 实时数据管道：处理海量用户行为，更新特征和模型。
- A/B 实验平台：支持大规模策略实验。
三、共性技术趋势
- 实时计算与流处理 Flink 几乎成为标配，用于实时特征计算、频控、预算扣减、反作弊。
- 深度学习与大规模模型 从传统机器学习全面转向深度学习，模型参数从亿级到万亿级，多目标、序列建模、Transformer 结构广泛应用。
- 强化学习与自动出价 智能出价从规则转向 RL，自动优化预算分配和出价策略。
- 隐私计算与数据协作 GDPR、个保法推动下，联邦学习、安全多方计算、差分隐私等技术用于跨主体数据合作。
- 程序化创意 动态创意优选、AI 生成素材、模板化创意管理。
- 统一 ID 与跨屏归因 在设备 ID 受限背景下，探索基于第一方 ID、概率匹配、隐私安全的归因方案。
- 云原生与微服务 广告系统普遍采用容器化、服务网格、弹性伸缩，支撑高并发和低延迟。
四、总结
国内头部大厂的程序化广告架构本质上是数据驱动的大规模实时决策系统，围绕“流量接入 → 实时竞价 → 个性化排序 → 智能出价 → 效果归因”构建。不同大厂根据自身生态（社交、内容、电商、搜索、短视频）在定向、模型、交易模式上各有侧重，但底层技术栈趋同。