計算廣告與推薦系統有哪些區別？
感覺推薦系統是計算廣告的一部分，不知道理解是否正確？
在Facebook工作的時候做的是newsfeed ranking （新鮮事排序），算是一種推薦系統吧，而且newsfeed中也包含了廣告（Feed Ads）。說說我的理解。
結論：推薦系統和計算廣告是不同維度上的概念。推薦系統是一種技術，廣告是一項業務。個性化推薦可以用在廣告中，更可以用在別的產品層面。同時，個性化推薦只是計算廣告的一個環節，一個完整的廣告系統還需要其他很多重要的技術組件。
0. 個性化推薦在廣告之外的很多產品層面都有應用幾個常見的應用領域：- 有機內容(organic content)的篩選與排序: Facebook，知乎，今日頭條的新鮮事都是個性化排序的結果。Spotify也是類似的例子。個性化推薦做的好不好直接影響產品的活躍度(engagement)和存留(retention)。
- 一些Growth Hack也極為依賴個性化推薦的質量：最為常見的例子就是Facebook/知乎上「你可能認識/感興趣的人」。關注的人越多質量越好，用戶存留的可能性就越大。
- Amazon和Netflix的推薦購買/觀看：這個就比較接近廣告了。
- [面向廣告商的工具] 廣告商可以根據自己的需要定製投放人群：年齡，性別，地理位置，職業，興趣等等。
- [演算法] 個性化推薦：在眾多符合條件的廣告中選擇最合適的一個。
- [演算法] 決定在哪裡放廣告：這在以前其實不是個事，因為就幾個能放廣告的固定位置（banner，頁面右側）。然而隨著Facebook發明了Feed Ads，在新鮮事里放原生廣告成了社交類產品的標配。以微信為例，在朋友圈裡的第幾個位置放廣告其實是個挺有學問的事。放高了影響用戶正常體驗，放低了沒人看得到。這大該就是微信口中的「實時社交混排演算法」吧。
- [演算法] 定價：放的這個廣告該跟廣告商要多少錢。這受很多因素影響：放的位置高低，有多少個其他廣告一起競價，等等。
所以，個性化推薦只是整個廣告流程的一個小部分。不過，好的個性化推薦可以提高廣告的點擊率，從而增加產品營收。
2. 個性化推薦不一定非要是機器學習很多人把個性化推薦等同於機器學習，甚至deep learning。這在嚴格意義上其實是不準確的。個性化推薦本質上是一組演算法。這些演算法可以是基於機器學習的，也可以是基於其他信號或者策略。比如說：- Amazon和Netflix最早的推薦系統就是item-item的演算法。本質上是基於用戶評價計算任何兩件商品的相似度，生成一個巨大的二維矩陣。很難說這是機器學習。
- Facebook最早的新鮮事排序就是基於一些人工制定的規則，表現也挺不錯，以至於基於機器學習的實現在很久之後才在A/B test中擊敗人工規則。
- Pandora的曲庫是人工打標籤，基於此生成個性化推薦。連機器都沒怎麼用。
不過廣告系統中的個性化推薦一般都是機器學習，Supervise learning對廣告這方面有極為成熟的方案。
最後安利下自己一個相關的回答：Facebook Edgerank 的演算法是什麼？ - 宋一松的回答推薦系統和廣告系統都知道一點，我來回答一下題主，我的結論是推薦系統不是廣告系統的一部分。
computational advertising，中文被翻譯成"計算廣告學"，雖然聽起來更像是一種學科，但實際上和推薦系統一樣，只是一種應用，很難說誰包含誰。
推薦系統的目標往往是為了改善用戶體驗，而計算廣告的目標則是直接提高收益，所以目前願意往計算廣告領域投錢的人要多於往推薦系統領域投錢的人，這也使得以計算廣告的名義展開的研究更深入細緻一些。不過計算廣告和推薦系統所需要的基本技術有很多相關的部分，即使一個研究成果是以計算廣告的名義取得的，也不妨礙我們把它用到推薦系統的研發中去（反之亦然）。
我從師徒網的一節中複製出來的。計算廣告學-廣告基本知識，這個我整理的網頁，裡面有一個表格。我複製的表格顯示不正確，直接鏈過去看吧廣告明顯比搜索容易部分的是不需要複雜的爬蟲技術和PageRank。而它比搜索困難的地方是它需要建模的數據量比搜索要大。搜索，廣告與推薦三者的主要區別在於它們的準則不同，搜索主要是針對相關性，廣告主要針對ROI。舉例來講，比如搜索美聯行，那麼對於搜索來講，必須將美聯行放到結果首位，否則就不合理。但對於廣告來講，如果美聯行代理公司的廣告點擊率高於美聯行本身，因為針對的是ROI，所以它可以將美聯行代理排在前面，而不需要將authority的美聯行排在前面。 一些文章中把推薦（recommendation）和個性化（personalization）
視為同義詞，但個人認為兩者還是有所不同，個人認為個性化是推薦的一個準則，但推薦還有其它準則，比如多樣性，新鮮度，三者結合，才會有很好的效果。比如
一個從不關心軍事的用戶，但如果因釣魚島問題而進行戰爭時，對於這種非常重要的新聞時，推薦應該將這種新聞推薦給這個用戶。推薦和廣告比較大的區別是：推薦進行的是同質化的推薦，比如在買商品的時候推薦商品，在看新聞的時候推薦其它新聞。另外推薦還有優化流（downstream）的概念，比如用戶在看新聞時，會根據推薦跳到另一個新聞頁面，而在這個新聞頁面上可以繼續推薦，優化流是指優化整個根據推薦看新聞過程的點擊率。而對於廣告來講，推薦出的廣告點擊後，就跳到目標頁面了，就不可能有優化downstream的機會了。
可以去網易雲課堂看看計算廣告學這麼課：計算廣告學- 網易雲課堂PS：話說個人覺得互聯網從業者都應該了解下搜索、廣告、推薦。
打個比方說，推薦系統是一部家用轎車，計算廣告是一部F1賽車。
家用轎車和F1賽車有很多相似之處，都有發動機，都有前擋風玻璃，都有排氣管等等，傳動裝置的基本原理也差不多。
但是，
家用轎車更注重用戶體驗（乘坐舒適度、駕駛的體驗、外形的美觀、內飾的精緻、安全性等），而機動能力（起步速度、加速度、峰速、高速下的轉向穩定性）雖然也儘可能要優秀，但不是最重要的，畢竟家用轎車不是為了跑的最快而設計，而是為了能被最多用戶購買。而且針對不同的細分市場和人群，家用轎車的設計目標也不盡相同，有的更注重美觀，有的更注重駕駛體驗，有的更注重性價比，所以家用轎車是一個產品，而不是一個純技術的事情。F1賽車的設計目標則比較專一，生來就是為跑的最快贏得比賽，所以非常注重機動能力，無論是發動機還是外形，即使只有區區1秒的提升也要拚命優化，甚至不惜犧牲駕駛的舒適度和安全性，所以F1賽車更接近一個純技術的事情，而不太像一個產品。推薦系統:更多關注相關性，用戶興趣和商品的相關性。計算廣告：在相關性的基礎上，加入了價格因素。
從做好的角度看：廣告更偏重技術，推薦更偏重產品。前者問題定義得十分清晰，演算法人員只需要根據指標優化。後者是用戶體驗的綜合提升，除了技術，產品上的思考（比如推薦的上下文）也很重要。
一般分搜索廣告和內容廣告，內容廣告和推薦系統結合的更緊密一些
計算廣告涵蓋的領域太多，很難通過回答一個問題說清楚。但他跟推薦系統的區別還是顯而易見的：首先，推薦系統可以實現廣告投放的個性化重定向，它是計算廣告系統的一部分；其次，他倆模型優化的參與方是不一樣的，推薦系統的參與方僅僅是用戶（user）和上下文（context），計算廣告的參與方式是用戶（user）、上下文（context）和廣告主（advertiser）。
目前就是在做廣告推薦相關演算法，我來說兩句吧。
首先，說「推薦系統是計算廣告的一部分」，這種說法不完全對。準確的說法應該是這樣的，推薦系統可以被應用在計算廣告中，是其中的一個重要模塊；而同時推薦系統還可以被應用在很多其他方面，像商品推薦、應用推薦、內容推薦等等。
另外，想多說幾句。推薦系統是一個大的概念，應用範圍也很廣泛。不同的場景下，推薦的策略也是大不相同的。說個簡單的例子，像商品推薦或者應用推薦中，如果一個用戶剛剛購買了一個商品或者下載了一個應用，我們會有意識的在這個人的推薦列表中把這個item刪掉；但是當同樣的情況出現在廣告推薦中的時候，我可能非但不會這麼做，反而會把你剛剛買過的東西再推給你。這就是廣告推薦裡面的retargeting概念了。所以說，場景不同，推薦的策略也會千差萬別，但是推薦系統肯定絕不僅僅是計算廣告的一部分的。廣告的定位是roi，投資回報率越高越好；推薦的定位是ctr，是為了幫助用戶發現潛在感興趣的內容；一個偏商業（有廣告主，有買賣），一個偏產品（重在用戶體驗）；但內部很多地方也是相同的，比如演算法模塊，都是為了在合適的地方、合適的時間、給合適的人展示合適的內容，並引導用戶點擊
在線廣告是三方博弈（媒體、廣告主和媒體的用戶），但推薦不是。推薦主要關注的是兩方的利益（媒體用戶對素材的接受程度和與媒體上下文間的關係），單純的推薦系統是沒有廣告主端的參與的。
推薦系統按CTR/CVR排序，廣告要在這個基礎上乘以廣告主出價廣告的本質就是用錢彌補內容不受歡迎的因素，越爛的廣告需要出價越高而傳統按位置時段賣的廣告，煤體對好廣告爛廣告的區分能力有限
這兩個領域都挺熟的，簡單講講
計算廣告和推薦系統解決的問題範式是一致的
- 給定Q、D，進行Q-D匹配
- 這裡Q可能是搜索行為，用戶正在瀏覽的文檔，或者用戶本身
- 這裡D可能是一篇文章、視頻、小說、動漫、廣告
顯然，它們中間有一些細節
- Q不同：不同類型的Query，它們的意圖、聚焦程度、目標等都是不同的，搜索引擎的Query是非常聚焦、一次性的，廣告的Query依賴場景，用戶的Query（User本身）是非常多樣的
- D不同：不同領域的Document，它們更新頻率、多樣性、數量級也有很大的不同，因此會對推薦演算法有一定的約束：如實時化、多樣化等。廣告往往是缺乏多樣性的，而推薦系統的多樣性是一個強需求。
- 目標不同：怎麼匹配Q-D是一個難點，其中一個關鍵點在於如何描述Q、D。在廣告中，用戶動態的行為不是特別重要（還是因為D的樣本空間太小），更關注用戶固化屬性，因為它需要最大化收入指標；相反的是，推薦系統則需要對用戶的實時行為非常關注，它的目標往往是最大化用戶持續消費成本，對實時行為敏感，產生了類似Q-A的過程，讓session不斷繼續才是業務最關心的點
它們的範式是一致的，也有一些統合價值，但往往還是作為兩件事來實施，畢竟業務敏感性不同，實際實施也會碰到很多的合作細節，這裡就略去不表了。
1. 推薦的出發點不同
乍看之下，推薦系統和計算廣告「系統」（比如搜索引擎右側），都是在向當前用戶「推薦」一個什麼，似乎是一件事兒，出發點不一樣：
- 計算廣告：廣告平台的收益的最大化
- 推薦系統：用戶的收益（或效用）的最大化
假設若干條內容，A的用戶效用最高，B的用戶效用次之，在推薦系統上，如果只能呈現一個結果，那必然會出現A；計算廣告「系統」上則不一定，還取決於A內容方的出價。
2. 推薦的內容（或許）不同
推薦系統給用戶推薦商品，推薦文章，推薦歌曲，推薦……計算廣告「系統」給受眾「推薦」廣告。
雖然很難說類似 I"d Like to Teach the World to Sing 就是單純的歌曲而非廣告，也不好認定你所看到的文章並非來自某個公司花錢讓人專門寫來PR的。
3. 涉及的具體技術不同，有所交疊
個人認為推薦系統主要是「預測」——預測用戶對某個商品/文章/歌曲等的評價高低，而計算廣告更多是「優化」——優化平台自己的收益，做為優化的一部分計算廣告學也要預測（比如CTR預測）。
兩者都需要做大量的實時計算，海量數據的處理，都會用到機器學習的方法。
最後，用斯坦福的《計算廣告學導論》課程首頁結題：
Computational advertising is an emerging new scientific sub-discipline, at the intersection of large scale search and text analysis, information retrieval, statistical modeling, machine learning, classification, optimization, and microeconomics. The central problem of computational advertising is to find the "best match" between a given user in a given context and a suitable advertisement. The context could be a user entering a query in a search engine ("sponsored search"), a user reading a web page ("content match" and "display ads"), a user watching a movie on a portable device, and so on. The information about the user can vary from scarily detailed to practically nil. The number of potential advertisements might be in the billions. Thus, depending on the definition of "best match" this problem leads to a variety of massive optimization and search problems, with complicated constraints, and challenging data representation and access problems. The solution to these problems provides the scientific and technical foundations for the $20 billion online advertising industry.
同意裴小浩的計算廣告是商業產品的定義。商業產品有行業的遊戲規則。
反對樓上說計算廣告只關心ROI的說法，ctr在計算廣告中同樣非常重要。
某種程度上計算廣告的學科覆蓋範圍更廣，涉及搜索，用戶畫像，高並發高性能網路伺服器，銀行級的計費和扣費，海量數據的埋點與監測，大數據分析，機制設計，營銷包裝，消費心理等等。
流量交易中的三個角色，廣告主，廣告平台和網民三者的核心利益是矛盾的。廣告主追求ROI，平台追求競價溢價和邊界利潤，網民核心訴求是用戶體驗，這三者達成納什均衡是計算廣告要追求的目標。
而推薦系統顯然沒有這麼多內涵。贊同裴小浩的答案
計算廣告和推薦系統的最本質區別是目標和評價標準不同推薦系統的目標是面向用戶提供新鮮、相關、有趣的話題/產品，增強用戶粘性， 增加產品的流量和活躍度而計算廣告學的核心目標是在廣告主、媒體、用戶利益之間尋找平衡， 匹配出的結果相關性只是一方面，另外還要考慮直接的商業利益。更多內容，請關注 計算廣告那些事
如果把推薦系統看做一種抽象框架來說，推薦系統和計算廣告是互相交集關係。如果把推薦系統看做一種計算機（網路）應用系統或者軟體概念，那麼推薦系統是包含了計算廣告系統的。
廣告更多的是用來往站內，app內引流。推薦系統更偏向於將引入的流變現。
推薦閱讀：
※推薦引擎、個性化推薦方面有哪些值得看的書？
※很多人在講微博時間線排列的弊端，比如信息過載，很難找出我最想看的，很多有價值的微博會被湮滅等。信息個性化，應該怎麼做？
※類似今日頭條這樣的個性化推薦網站怎麼評價推薦質量的優劣？