爱奇艺效果广告的个性化探索与实践

爱奇艺效果广告的个性化探索与实践

嘉宾介绍

王辉，爱奇艺资深工程师。

导读：随着大数据和人工智能的技术进步，数字营销行业也在不断变化。得益于雄厚技术实力，爱奇艺效果广告得到蓬勃发展，实现了海量触达、定向精准、效果显著的广告投放，为广告主提供跨平台、多终端的网络推广服务。本次我将分享爱奇艺效果广告个性化方面的思考与实践，聚焦广告排序算法，希望能为大家带来一些启发。包括以下三部分：

▌爱奇艺效果广告算法-背景&架构

1. 广告资源位

如上图所示，爱奇艺主要的资源位可以用双引擎来概括，即信息流和框内：

信息流：信息流广告位由准信息流和纯信息流共同构成的。其中，打开 App 显示的推荐页，由于是非原生信息，但是以信息流形式推送，所以我们称之为准信息流广告位。同时，爱奇艺平台提供了很多原生频道，比如热点频道，在这些频道下插入的广告称为纯信息流。 框内：对于框内资源，效果广告主要投放在框内中插的位置上，同时也会做一些前贴和后贴的框内广告投放。 其他：除上述两大引擎，还有猜你喜欢和视频关联位等资源位。

2. 计费方式

3. 算法难点

oCPX 业务对算法挑战难题主要为上图三点：

4. 个性化广告推荐流程

5. 排序逻辑

6. 线上训练推理流程

如上图自下而上：

1. 现场特征，相较离线特征，现场特征能真实还原线上环境。

2. 第二步进入模型训练，会有 FM 分天模型、FM 在线学习、深度学习和强化学习等。

3. 完成模型离线训练后推送至线上，结合离线、实时特征进行在线推理。

1. 特征工程

从周期来划分特征可分为实时、短期和长期。

2. 在线学习

天下武功唯快不破，时效性对模型来说是非常重要的。当前线上使用的基于 FTRL 的 FM 模型，实时消费线上 Kafka 流的数据，分钟级进行模型更新。由于线上模型是分钟级更新，线上要有一套监控体系，一旦线上指标出现异动，比如上图举例的 AUC 低于离线分天训练的备用的模型，会进行线上模型与备用离线模型自动切换。

3. 深度学习

为了提高模型准确率和泛化能力，上线了深度学习，当前采用的是 Wide&Deep 的模型，并进行了离线模型调优和线上性能优化，以满足广告场景下对高 QPS 以及高稳定性需求。

4. 高维稀疏

在转化率预估场景下，会遇到数据高维稀疏问题。举个例子，在做偏差校准的时候，会出现很多分桶里面一个正样本都没有，进而导致这些分桶最终的预估转化率结果为零。为解决这个问题，采用的方法是动态分桶大小，根据当前广告下历史正样本数量，动态决定分桶宽度以及分布。

此外，还有转化率阶跃的问题，即转化数据集中到来，正样本突然增多，转化率预估可能从万分之几直接到百分之几。这样就会造成转化数据到来前广告放量不足，到来后爆量问题。为了解决这个问题引入非目标的转化数据作为正样本使用，比如转化目标是付费，我们可以引入下载、激活等也作为加权降权后的正样本来消费。

▌智能出价-博弈&共赢

1. 成本控制

智能出价的基本功能是进行成本控制，保证广告的实际成本在目标成本附近。并在此基础上尽可能多拓量。所以这里存在成本和放量的博弈。所使用的方法是在 eCPM 上乘一个智能出价因子，这个因子是实际成本与目标成本的函数输出，比如上图实际成本大于目标成本时，因子小于1，用更廉价的流量来拉低成本，反之大于1，提高竞争能力获取更多流量。

2. 流量优选

上面介绍了基础版本的智能出价方案，但这样会产生一些问题，比如放量过程中的订单，可能以高价格获得了低质的流量而导致效果不佳，反之可能错过高质量流量。解决方法是做流量粒度下的智能出价，即考虑成本的同时也考虑流量质量，就是上图g函数，考虑成本参数的同时也加入流量质量参数。

end

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。