1. 广告投放是推荐系统的重要应用领域，通过个性化推荐技术实现广告的精准投放，提高广告效果和用户体验。 2. 广告投放与推荐系统在技术栈上有基本互通，但目标上存在差异，广告算法的目标是提升收入，推荐算法的目标是提升用户满意度。 3. 个性化广告推荐系统通过多维度用户数据和精准算法模型，实现广告内容与用户需求的智能匹配，最大化挖掘广告投放的商业价值。 4. 在广告投放领域，关键指标包括点击率（CTR）、转化率（Conversion Rate）、千次展示成本（CPM）和点击成本（CPC），用于衡量广告效果和投放策略的优劣。 5. 实时竞价（Real-Time Bidding, RTB）是广告投放的核心机制，利用推荐系统的实时数据处理能力，在“用户每次浏览页面”的瞬间，通过拍卖机制确定最优广告，实现“流量价值最大化”. 6. 强化学习在推荐系统的应用，通过“智能体（Agent）- 环境（Environment）- 反馈（Reward）”的交互闭环，能够实时捕捉环境变化，动态调整策略以追求长期累积收益最大化. 7. 深度强化学习（DRL）结合深度学习处理高维状态特征，如用户画像、广告属性，典型算法包括DQN、DDPG和PPO. 8. 数据采集与预处理是广告投放的重要步骤，通过收集历史曝光日志构建状态 - 动作 - 奖励样本库. 9. 模型训练阶段需要基于离线数据预训练RL模型，引入领域知识约束，如出价不得超过预算上限、不得低于平台底价. 10. 优势包括自适应动态环境、长期收益优化和数据驱动决策，挑战包括样本效率低、环境非平稳性和工程落地难.