计算广告学： 广告的基本知识

[guodongxiaren]

第一章：什么是广告

1-1 广告的目的

1-2 广告有效性模型

1-3 广告与营销的区别

1-4 在线广告的特点

1-5 在线广告的市场

1-6 计算广告核心问题与挑战

1-7 广告、搜索与推荐的比较

1-8 投资回报（ROI）分析

1-9 在线广告系统结构

[guodongxiaren]

广告的定义

广告是由已确定的出资人通过各种媒介进行的有关产品（商品，服务和观点）的，通常是有偿的、有组织的、综合的、劝服性的非人员的信息传播活动

广告的主体

• 出资人（Sponsor）即广告主（advertiser）
• 媒介（Medium）
• 受众（Audience）

广告的本质功能

借助某种有广泛受众的媒介的力量，完成较低成本的用户接触（reach）

广告的分类

1. 品牌广告（Brand Awareness）
2. 效果广告（Direct Response）

   品牌广告

   创造独特良好的品牌或产品形象，目的在于提升较长时期内的离线转化率

   效果广告

   有短期内明确用户转化行为诉求的广告。用户转化行为例如：购买、注册、投票、捐款等。

[guodongxiaren]

广告的有效性模型

1. 选择
   1. 曝光
      2. 关注
2. 解释
   1. 理解
   2. 信息接受
3. 态度
   1. 保持
   2. 购买

[guodongxiaren]

对广告而言，文字链的广告比图片广告的点击率要高。

但是对于推荐来说，文字链的效果远远低于图片。

广告、推荐、搜索是三个不同的领域。相同点都是 Web scale challenge。

[guodongxiaren]

在线广告的独特性

技术和计算导向

• 数字媒体的特点是在线广告可以进行精细的受众定向
• 技术使得广告决策和交易朝着计算驱动的方向发展

可衡量性

• 广告的点击是效果的直接收集途径

标准化

• 技术投放和精准定向促进了在线广告的标准化

[guodongxiaren]

在线广告的核心计算问题

找到用户 u，上下文（context）c 和一个合适的 广告（ad） a，三者之间的最佳匹配

从优化角度来看：

• 特征提取：受众定向
• 微观优化：CTR预测
• 宏观优化：竞价市场机制
• 受限优化：在线分配
• 强化学习：探索与利用
• 个性化重定向：推荐技术

从系统角度来看：

• 候选查询：实时索引
• 特征存储：No-SQL技术
• 离线学习：Hadoop
• 在线学习：流计算
• 交易市场：实时竞价

[guodongxiaren]

在线广告的主要挑战1

大规模（Scale）

• 百万级的页面，十亿量级的用户，需要被分析处理
• 高并发在线投放系统
• 时延的严格要求（ad exchange要求竞价在100ms内返回）

动态性（Dynamics）

• 用户的关注和购物兴趣非常快速的变化

丰富的查询信息（Rich query）

• 需要把用户和上下文中多样的信号一起用于检索广告候选

探索与发现（Explore & exploit）

• 用户反馈数据局限于在以往投放中出现过的（a，u，c）的组合，需要主动探索未观察到的领域，以提高模型的正确性。

[guodongxiaren]

搜索、广告与推荐的比较

• 广告不需要爬虫，搜索需要
• 广告建模的数据量比搜索大
• 搜算的索引的规模更大
• 搜索以相关性为首要准则，广告以ROI为首要准则

[guodongxiaren]

点击率*点击价值 eCPM：预期获得的价值

不同的分解对应不同的市场形态

• CPM市场：规定eCPM
• CPC市场：动态CTR，固定click value
• CPA/CPS/ROI市场：动态CTR与click value

[guodongxiaren]

在线广告系统模块

[guodongxiaren]

• 离线部分比如用Hadoop做用户日志的生成，和点击预测的部分
• 流式计算平台，做用户短时行为反馈