随着信息技术的发展,在线广告,即数字营销,已经成为电商网站、搜索引擎、社交媒体等互联网商业平台的主要收入来源。在线广告的目的则是通过网络媒体,构建商家与普通消费者之间的信息桥梁,为商家推广产品从而获取客源,为互联网用户解决自身商品需求提供合适的商品信息。为了达到在线广告的目标,基于数字化手段的计算广告研究依托于信息时代日益增长的算力资源,为线上数字营销提供了绝佳的解决方案。计算广告相关技术更是具备高扩展性、可计算及可优化等特性。自从2009年首次提出以来,实时竞价广告已然成为在线广告领域中最被看好也是最普遍应用的数字营销范式。实时竞价广告使得广告主能够在实时的情形下,单独采购任一互联网用户的浏览行为所产生的流量与广告展示机会。一方面,实时竞价广告能够汇聚丰富的媒体与广告位资源,更能支持广告主采用更为灵活的线上营销策略,例如以广告投放的购买转化效果为目的,或以提高品牌认知度为投放目标。另一方面,它还能通过可计算的方式赋予广告主动态的用户定向机制,即针对不同流量、不同用户实施多样的广告展示策略。在这个前沿研究领域,众多研究者已经针对上述几个基础研究课题及其他不断涌现的研究挑战提出了众多的解决方案。从技术的视角来说,这些解决方案涵盖了一系列广泛的研究领域,包括信息检索、机器学习、最优化理论、经济学与博弈论等。在本文中,我们从一个综合的建模视角来剖析实时竞价广告中的几个主要的研究难题,并同时希望能够解决广告生态系统中的其他重要挑战。我们针对实时竞价广告中的几个任务进行了形式化定义,并分析了已有方法的缺陷,最终从以下五个角度提出了我们的解决方案。成本估计一般由竞价形势预估任务完成。对于竞价形势预估,即市场价格分布的建模,我们采用了一种基于生存分析方法的建模思想,并创新性地提出了一种自回归深度学习模型,建模竞价过程中的市场价格概率密度,同时解决数据偏差等问题。这也是业界首个考虑数据特征中时序信息的模型。该模型无需针对竞价形势的概率分布做一些理想化的数学假设,并能以灵活的形式建模、预测复杂的真实市场价格分布。效益估计则由用户反馈预估去解决。现有的解决方案一般将用户反馈预估看作是二分类机器学习任务,但在实时竞价广告场景中这并非最优建模方案。我们采取了一个新的优化视角并提出了一种不同于传统模型的优化目标函数,直接通过反馈预估模型优化广告主的收益。经过推导得到的模型能够在优化反馈预估的分类效果的同时,考虑投放成本与竞拍效果等,因而在实际场景中显著提高了广告投放效益,节省了广告预算。竞拍优化常常被研究者作为一个独立的模块,与用户反馈预估等作为单独的任务进行分别优化。然而,效益预估、成本预估及竞拍优化之间存在相辅相成的紧密联系,因此在解决其他问题的同时考虑竞价优化事实上是实时竞价广告等场景中一种更为有效的综合优化方式。我们采用了一种新型的目标函数,以广告投放收益为优化目标,通过一种统一的优化框架,联合优化效益预估、成本预估与竞价策略。该框架在实际场景中显著提高了广告投放的效果。用户建模无论在实时竞价广告还是其他线上智能信息系统中,都是一个重要的基础模块。它不仅能够刻画用户行为背后的兴趣与行为模式,更能为后续用户行为预测提供重要的线索,也就能给信息系统的决策提供重要的思路,例如提升广告投放的效果,推进推荐系统的性能等。我们针对线上平台丰富而又多样的用户行为提供一种终生用户建模框架,通过层级的周期记忆网络建模、记忆与存储用户在不同时期、不同场景中的行为模式,为任何时候用户行为预测提供了一种综合解决方案。用户转化归因分析是在线广告系统运行过程中一个重要的提效手段,它能够指导后续广告投放方案,例如更合理的预算分配计划。为了达成这一目标,我们基于深度神经网络构建了一种多触达转化归因分析方案。这个神经网络模型不仅大幅提高了用户转化的预测准确率,更能提供一种更加合理的转化归因分析思路,用以探索广告投放过程中,广告内容的触达对用户最终购买等转化行为的影响。为了量化地评估不同归因方法的效果,我们还提供了一种兼具新颖性与实用性的离线评估框架,通过评估不同归因模型指导下预算分配方案的合理性,继而对比不同归因方法的有效性。另外,本文所述方法均在真实场景数据集或在线广告平台上验证了方法的有效性,获得了学术界与工业界的认可。以上这些研究课题不仅能在实时竞价广告场景中解决实际的问题,更能在多个相关领域得到广泛的应用,例如推荐系统与搜索引擎中的排序与筛选优化、经济学中的竞价机制优化,等等。