图：智能广告系统架构
从业务上看，整个智能广告系统，主要分为：
1）业务端：广告主的广告后台
2）展现端：用户实际访问的页面
业务端，广告主主要有两类行为：
1）广告设置行为：例如设置投放计划，设置地域，类别，关键字，竞价等
2）效果查看行为：例如广告展示次数是多少，广告点击次数是多少等
展现端，用户主要也有两类行为：
1）站点访问行为：用户浏览实际的信息，此时广告系统决定出广告主的什么广告
2）广告点击行为：此时广告系统会对广告主进行扣费
从系统分层架构上看，智能广告系统，主要分为三层：
1）站点层：用户和广告主直接面向的网站站点
2）服务层：为了实现智能广告的业务逻辑，提供的通用服务，此处又主要分为四大类服务：
2.1）策略服务：实施广告策略
2.2）检索服务：可以理解为一个纯检索系统
2.3）计费服务：用户点击广告时进行扣费
2.4）反作弊服务：不是每次点击都扣费哟，反作弊服务对广告系统至关重要，但由于反作弊服务功能相对比较独立，和广告业务看似关系又不大，故未在架构图中画出
3）数据层：用户数据，广告数据，竞价数据，日志数据等等等等
光讲架构不直观，下面通过一系列的例子，帮助大家更好的理解智能广告，以及智能广告系统。
步骤一：广告主在业务端投递广告
广告主登录业务端后台，设置了，今日投放地域是“北京-上地”，投放类别是“租房”，定向人群为“女”，需要推广的广告是他发布的一条“房屋出租”的帖子，竞价设置的是0.2元，单日预算是20元。
这些数据，当然通过业务端存储到了数据层，即数据库和缓存里。
步骤二：用户来到了网站，进入了“北京-上地-租房”类别，广告初筛实施
咦，用户产生了点击行为，网站除了展示应该展示的内容，还要展示广告哟。
首先被展现的广告不能太离谱，太离谱用户也不会点击。
于是先必须符合“语义相关性”，即基础检索属性必须是符合的（广告能否满足用户的需求，满足了点击率才高嘛），这个工作是通过BS-basic search检索服务完成的。BS检索服务到数据层拉取了“北京-上地-租房”的所有广告帖子。
步骤三：用户属性与广告主属性匹配，广告精筛实施
步骤二中，基础属性初筛了以后，要进行更深层次的策略筛选（用户能否满足广告的需求），例如有些广告主的精准需求为“女”（可能房主比较爱干净吧），有些广告主的精准需求为“用户年龄为30岁以下”，有些广告主的精准需求为“用户访问IP必须是北京”，等等等等。系统将初筛出来的M条广告和用户属性进行匹配筛选，又过滤掉了一部分，最后剩余N条待定广告。这些工作是在AS-advanced
search策略服务完成的。
步骤四：综合排序，并返回TopX的广告
经过步骤2和步骤3的初筛和精筛之后，待选的N条广告既能满足用户当前的需求，用户亦能满足广告主的筛选需求，但实际情况是，广告位只有3个，怎么办呢？就需要我们对N条广告进行综合打分排序（满足平台的需求，广告平台要多赚钱嘛）。
打分排序的依据是什么呢？
有人说按照竞价排序bid，出价高的打分高；
有人说按照CTR点击率排序，CTR高的点的人多；
都只对了一半，出价高，但没人点击，广告平台没有收益；点击率高，但出价低，广告平台还是没有收益；综合一下，最终应该按照广告的出价与CTR的乘积作为综合打分排序的依据，bid*CTR。
既然bid*CTR是所有广告综合打分的依据，且出价bid又是广告主实现设定好的，那么实际上，问题的核心又转向了广告CTR的预测，CTR预测是推荐系统、广告系统、搜索系统里非常重要的一部分，是一个工程，算法，业务三方结合的问题，本文就不展开讨论了。
无论如何，N条广告，根据bid*预估CTR进行综合打分排序后，返回了打分最高的3个广告（广告位只有3个）。
步骤五：展现端展示了广告，用户点击了广告
展示了广告后，展现端js会上报广告展示日志，有部分用户点击了广告，服务端会记录点击日志，这些日志可以作为广告算法实施的数据源，同时，他们经过统计分析之后，会被展示给广告主，让他们能够看到自己广告的展示信息，点击信息。
步骤六：对广告主进行扣费
用户既然点击了广告，平台就要对投放广告的广告主进行扣费了，扣费前当然要经过反作弊系统的过滤，扣费后信息会实时反映到数据层，费用扣光后，广告就要从数据层里下线，后续用户的点击就不会出现0费用的广告了。
