2026年腾讯数据分析师面试中的广告点击率预估基础

2026年腾讯数据分析师面试中的广告点击率预估基础题型一：选择题（共5题，每题2分）1.题目：在广告点击率预估（CTR）中，以下哪种特征属于高维稀疏特征？（）A.用户性别（男/女）B.用户地域（省份/城市）C.创意尺寸（宽高像素组合）D.是否使用APP（是/否）2.题目：逻辑回归模型在CTR预估中的主要局限性是什么？（）A.无法处理高维稀疏特征B.对非线性关系建模能力弱C.易受数据不平衡影响D.计算复杂度过高3.题目：在特征工程中，以下哪种方法最适合处理用户行为序列数据？（）A.独热编码（One-HotEncoding）B.嵌入（Embedding）C.标准化（Standardization）D.交互特征（InteractionFeatures）4.题目：以下哪种评估指标更适合衡量CTR模型的业务效果？（）A.AUC（AreaUndertheCurve）B.F1分数（F1-Score）C.精确率（Precision）D.召回率（Recall）5.题目：在广告投放中，以下哪种场景最适用于采用召回率优先的排序策略？（）A.信息流广告B.搜索广告C.品牌广告D.电商广告题型二：填空题（共5题，每题2分）1.题目：CTR预估中常用的交叉验证方法有__________和__________两种。（答案：留一法、k折交叉验证）2.题目：广告点击率预估中，常见的特征类型包括数值特征、__________和__________三类。（答案：类别特征、文本特征）3.题目：在召回阶段，通常采用__________策略来平衡广告曝光和点击效果。（答案：LambdaMART、LambdaRank）4.题目：处理用户行为数据时，__________可以用于捕捉用户兴趣的时序依赖性。（答案：循环神经网络、Transformer）5.题目：CTR预估中，__________是衡量模型泛化能力的核心指标。（答案：AUC）题型三：简答题（共5题，每题4分）1.题目：简述CTR预估中“数据稀疏性”问题的主要表现及解决方案。答案：-问题表现：-用户行为数据中，多数用户只产生少量点击行为（如90%用户点击率为1%，10%用户点击率较高），导致模型难以区分正负样本。-特征维度过高时，大量特征值为0或单一值，模型难以有效利用。-解决方案：-重采样：对负样本进行过采样（如SMOTE算法）或正样本欠采样。-特征选择：使用L1正则化或基于模型的特征选择（如LightGBM内置特征选择）。-嵌入技术：对高维稀疏类别特征使用嵌入向量降维。2.题目：解释CTR预估中“冷启动问题”的成因及应对策略。答案：-成因：-新用户无历史行为数据，模型无法评估其兴趣偏好；-新广告无点击数据，难以判断其吸引力。-应对策略：-新用户：采用默认兴趣假设（如热门广告优先）或使用无监督学习方法（如聚类）。-新广告：结合广告属性（如出价、预算）进行初始排序，逐步积累数据后动态调整。3.题目：说明CTR预估中“特征交叉”的意义及常见方法。答案：-意义：-单个特征往往无法完全捕捉用户行为复杂性，特征交叉可以组合多个特征提供更丰富的信号。-例如，用户地域+广告行业可以更精准预测特定地域用户的兴趣。-常见方法：-手动设计：如“城市×年龄”分桶特征。-自动特征工程：如深度学习模型的嵌入交互。4.题目：简述CTR预估中AUC指标的适用场景及局限性。答案：-适用场景：-不受数据不平衡影响，适合评估模型区分正负样本的能力。-广告场景中，点击率差异较小（如0.1%-10%），AUC能更稳定反映模型效果。-局限性：-无法直接反映业务目标（如转化率），需结合其他指标（如CTR@K）。-对样本分布敏感，需确保测试集与训练集分布一致。5.题目：描述CTR预估中“在线学习”的应用场景及挑战。答案：-应用场景：-广告场景中用户兴趣变化快（如季节性、热点事件），需实时更新模型。-例如，直播带货广告需快速适应用户兴趣波动。-挑战：-数据流处理效率要求高（如使用Flink、SparkStreaming）；-需平衡模型更新频率与稳定性（如增量学习、在线优化算法）。题型四：计算题（共3题，每题6分）1.题目：某广告点击率预估模型在测试集上的结果如下：-正样本点击数：200，总曝光数：1000；-负样本点击数：50，总曝光数：9000。计算该模型的CTR及整体点击率（IR）。答案：-CTR=(正样本点击数/正样本曝光数)=200/1000=20%-IR=(总点击数/总曝光数)=(200+50)/(1000+9000)=250/10000=2.5%2.题目：某广告系统采用LambdaMART排序策略，设置λ=0.1，当前排序结果为：-Top5广告的预估CTR分别为：0.15,0.12,0.11,0.10,0.09；-实际点击分布为：第1广告点击3次，第2广告点击2次，其他未点击。计算该排序策略的排序增益（RankGain）。答案：-排序增益=Σ[(实际点击次数-期望点击次数)×λ]-期望点击次数=(总点击数/总广告数)×排序位置=(3+2)/(5+...)×λ-具体计算需补充完整数据，但核心公式为排序位置与实际点击数的差值加权求和。3.题目：某广告实验组采用新特征“用户最近7天活跃次数”，对照组未使用，实验结果如下：-实验组CTR：15%，对照组CTR：12%；-实验组点击率提升：0.5%。评估该特征的归因效果（需说明假设前提）。答案：-归因效果：新特征使CTR提升3个百分点，点击率提升0.5%，表明特征有效。-假设前提：需排除其他因素干扰（如实验组出价差异、用户分层偏差）。-可进一步计算提升的ROI（需补充出价、转化率等数据）。题型五：开放题（共2题，每题10分）1.题目：结合腾讯广告业务场景（如信息流、搜索广告），设计一套CTR预估的特征工程方案，说明关键特征及处理方法。答案：-信息流广告：-用户特征：历史点击/转化数、活跃时长、地域+年龄分桶、兴趣标签（嵌入向量）；-广告特征：创意尺寸、行业、出价、历史CTR（归一化）；-上下文特征：时间（小时/星期）、设备类型、网络环境。-搜索广告：-查询特征：分词（TF-IDF）、查询类型（品牌/长尾）；-广告特征：匹配类型（精确/宽泛）、历史转化率（LTV）。-处理方法：-数值特征标准化（Z-score）；-类别特征嵌入；-交叉特征（如“地域×行业”）。2.题目：假设你负责腾讯广告的CTR预估项目，遇到数据标注不足（仅10%用户有点击数据），如何设计模型解决这一问题？答案：-方案：采用多任务学习或自监督学习框架。-具体措施：-多任务学习：-主任务：CTR预估；-侧任务：用户画像分类、广告相关性评分，利用未标注数据增强表示能力。-自监督学