导读：广告和推荐算法的技术框架比较相似，但是在优化目标等具体细节上又有很多不同。本文摘选自知乎问答板块“广告算法（系统）和推荐算法（系统）有什么异同？”下王喆老师的分享，有需要的小伙伴可以学习参考。
以下为王喆@知乎的回答：
要理解好广告算法和推荐算法的的异同，一定要首先抓住解决广告和推荐这两类问题的根本目标：
广告算法的目标是为了直接增加公司收入。
推荐算法虽然本质上也是为了增加公司收入，但其直接目标是为了增加用户的参与度。
1. 优化目标的区别
因为需要对每一条广告的CTR，CVR都估的准，广告算法基本全部都是point wise的训练方式，因为广告是很少以列表的形式连续呈现的。在采用负采样，weighted sampling等方式改变原始数据分布后，也需要在后续步骤中千方百计地把CTR，CVR纠正过来。
推荐算法就有大量不同的训练方式，除了point-wise，还有pair-wise，list-wise等等。此外为了增加用户的长期参与度，还对推荐内容的多样性，新鲜度有更高的要求，这就让探索与利用，强化学习等一些列方法在推荐场景下更受重视。
4. 辅助策略/算法的区别
广告系统中，CTR等算法只是其中关键的一步，估的准CTR只是一个前提，如何让广告系统盈利，产生更多收入，还需要pacing，bidding，budget control，ads allocation等多个同样重要的模块协同作用，才能让平台利益最大化，这显然是比推荐系统复杂的。
推荐系统中，由于需要更多照顾用户的长期兴趣，需要一些补充策略做出一些看似“非最优”的选择，比如探索性的尝试一些长尾内容，在生成整个推荐列表时要加入多样性的约束，等等。这一点上，广告系统也需要，但远没有推荐系统的重视程度高。
5. 模型本身的差异
在广告模型中，用户的兴趣是不那么连贯的，因此容易造成sequential model的失效，attention机制可能会更加重要一些。