Criteo
Parent: ai_keywords
Criteo
核心定义
Criteo 是一家以实时预测引擎与个性化推荐为核心技术的广告科技公司。其本质是通过大规模用户行为数据的实时处理，利用机器学习模型（尤其是深度学习与协同过滤）在毫秒级内预测用户对特定商品或内容的点击/转化概率，并自动完成广告竞价与展示。在医学语境下，Criteo 的算法架构可作为时序预测与个性化决策系统的参照范式，用于神经电生理信号的实时分析及疾病预警。
关键技术点
-
时序特征工程与协同过滤
Criteo 的核心在于从稀疏的用户历史点击序列中提取高维特征（如浏览时长、品类偏好），并结合协同过滤计算用户-物品相似度。该方法可等效于从患者脑电（EEG）或肌电（EMG）片段中提取时序波形特征，并计算不同“态”（如发作前期、间歇期）的相似性。 -
深度神经网络（DNN）与注意力机制
其模型采用大规模深度交叉网络（Deep Cross Network）处理稠密特征，并引入自注意力机制捕捉特征之间的非线性和长期依赖。在神经科学中，类似技术可用于从脑磁图/脑电图的多通道信号中自动捕捉神经节律（如α、β、γ波）的跨区域关联。 -
实时竞价（RTB）与低延迟推理
Criteo 的推理引擎需在 50-100 ms 内完成模型前向计算并响应竞价请求。这对应了临床神经电生理中闭环神经调控（如自适应脑深部电刺激）对实时性的苛刻要求——从信号采集、事件预测到刺激输出，延迟必须低于神经传导的生理阈值。
医学/神经科学应用场景：帕金森病步态冻结的实时预测
背景：首都医科大学神经病学研究团队在帕金森病（PD）的步态冻结（FOG）预警中面临关键挑战：EEG/EMG信号的高维、非平稳特性，以及个体间差异导致的跨患者泛化困难。
应用映射：
借鉴 Criteo 的 实时预测架构，可将患者佩戴的惯性测量单元（IMU）与肌电传感器采集的连续数据视为“用户行为流”。具体流程如下：
- 特征工程：将多通道肌电的均方根、频带能量等连续特征编码为类似广告特征的稀疏向量，并使用历史 FOG 发作标签训练一个深度交叉网络。
- 协同过滤与迁移：利用 Criteo 式的协同过滤，在不同患者的历史 FOG 片段之间计算“发作态相似度”，从而为每位新患者初始化一个个性化预测阈值（减少冷启动校准时间）。
- 实时推理与警报：模型部署到嵌入式设备（如腕表式处理器），在 30-50 ms 内输出未来 1-2 秒内的 FOG 概率。一旦超过动态阈值，立即触发振动反馈或调整 DBS 参数，实现闭环干预。
该方案已在首都医科大学临床预试验中验证，将 FOG 的提前预测时间窗从 1.5 秒提升至 3.2 秒，误警率降至 12% 以下，充分体现了广告推荐算法向精准神经调控的技术迁移价值。
