一句话定义：CTR 预估（Click-Through Rate Estimation，点击率预估）就是给定一次“某用户在某场景下看到某个物料”的机会，输出一个 0 到 1 之间的概率，表示他会不会点击。
它到底在算什么
输入是特征，输出是一个数。特征包括用户侧（年龄、历史点击、兴趣标签）、物料侧（标题、封面、类目、作者）、上下文（时段、页面位置、设备、网络），以及交叉特征（这个用户对这个类目过去 7 天的点击次数）。模型把高维稀疏的 ID 类特征查表成 embedding，拼接后输入多层全连接网络，最后一层经 sigmoid 压缩成概率。训练样本直接来自线上曝光日志：曝光了且被点击是正样本，曝光了没点就是负样本。
打个比方：它像一位站在门口的资深店员，看顾客穿什么、几点进店、目光扫向哪个货架，估一个“这人会不会伸手拿起这件商品”的可能性。它全程不去生产那件商品——不写文案、不生成图片、不对话，只负责排个先后。
所以在工程上，CTR 模型关心的核心指标是判别和校准，与“表达力”无关：排序用 AUC 看谁该排前面，计费则要求概率本身准（预估 0.1 大致对应 100 次曝光约 10 次点击），因为广告按 pCTR × 出价 折算排序收益，估高一档就意味着多花钱。线上还要满足几十毫秒内给上千条候选打分的延迟约束。
和相邻概念的区别
| 维度 | CTR 预估 | CVR 预估 | 大语言模型 |
|---|---|---|---|
| 输出 | 一个概率 | 一个概率 | 一段文本 |
| 训练样本 | 曝光日志，点击为正 | 点击后的日志，转化才为正 | 海量文本 |
| 主要用途 | 排序、eCPM 折算 | 出价、优化深层目标 | 生成、问答、抽取 |
和推荐系统里其他环节的关系也容易混淆：召回负责从百万级里粗筛几百条，CTR 模型在精排阶段对这几十上百条精细打分。它和 CVR（Conversion Rate，转化率）预估是一对搭档，后者预测“点了之后会不会下单”，样本更稀疏、更难学。
对实际工作的意义
对从业者，这是一个吃工程细节的活：样本怎么构造（未曝光的不进训练集）、位置偏差怎么纠、线上线下一致性怎么保证、校准曲线怎么盯。模型结构换代带来的提升，常常不如特征和样本上的一次修正。
对普通人，你刷到的“猜你喜欢”顺序、信息流里广告出现的位置和频次，背后多半就是它。它解释了为什么点过一次猫粮，接下来满屏都是猫——点击反馈被当成了最强的训练信号；也解释了为什么有些广告你看着毫无兴趣却一直出现：模型在你身上的估计还不够准，而它正在拿你的下一次曝光做修正。各家实现细节差异很大，具体机制以产品官方说明为准。