20分钟吃掉广告算法业务知识

广告推荐算法 - 学习笔记(持续更新中) 本篇博客,是我用来记录学习广告推荐算法的一些笔记和总结。王喆:"深度"学习计算广告计算广告系统的核心目标是通过数据、算法和技术,在合适的场景下,将最相关的广告精准推送给目标用户,同时实现广告主媒体平台和用户之间的多方利益最大化。广告主:需求方核心目标:通过精准投放广告,最大化转化(如点击、购买)并控制成本,提升投资回报率(ROI)。关键行为:广告创建,定向设置,预算与出价策略,效果监控媒体平台:供给方核心目标:最大化广告收入,同时保持用户体验以避免用户流失。 阅读详情

一,两种广告

广告按其投放目的可以分成两类:效果广告 和 品牌广告。

效果广告是为了直接提升某个产品的用户数量或者销售收入。

而品牌广告则是为了通过提升品牌知名度美誉度从而间接带来该品牌产品用户和销售收入的增长。

大家所熟悉的互联网广告大部分都是效果广告。

如:微信的朋友圈广告、百度搜索的竞价排名广告、天猫淘宝的推荐商品广告、QQ/网易云音乐启动时的开屏广告、腾讯/爱奇艺视频中的贴片广告等等。

二,转化漏斗

广告行业有一句名言:我知道我的广告费有一半是浪费的,遗憾的是,我不知道浪费的是哪一半。

互联网场景下的效果广告通常存在着一个非常大的转化漏斗:曝光 ——> 点击 ——> 转化。

例如某款游戏APP在微信朋友圈的广告被曝光给了1000个用户,然后有100个人点击了,最后这点击的100个人当中只有5个人最终下载了这个游戏APP。

那么,这个游戏公司作为广告主应该给微信这个流量主付多少广告费呢?是按照1000个曝光计费,还是100个点击计费,还是5个转化计费呢?

这取决于广告的计费模式。

三,计费模式

互联网广告主要的计费模式 包括 以下一些:

  • CPM(Cost Per Mile, 按千次展示计费)

  • CPC(Cost Per Click, 按用户点击计费)

  • CPA(Cost Per Action, 按转化计费)

  • oCPM(Optimized Cost Per Mile, 智能报价策略优化的按千次展示计费)

  • oCPC(Optimized Cost Per Click, 智能报价策略优化的按用户点击计费)

  • oCPA(Optimized Cost Per Action, 智能报价策略优化的按转化计费)

这些计费模式可以分成CPx和oCPx两类,这两类实际上计费方式是一样的,主要差别在于报价方式不同。

例如CPC和oCPC都是按照点击量乘以点击单价进行结算。主要区别在于CPC的点击单价报价是需要广告主自己根据自己的成本预算和收益预估进行调整的,但是oCPC的点击单价报价是由广告平台系统根据广告主设计的优化目标(一般是平均转化成本)在一定价格范围内进行智能报价的,对预估转化率高的流量提高报价,而对预估转化率低的流量降低报价,从而达到降低平均转化成本的目的。实践中oCPC广告一般要先按照CPC广告的方式投放一段时间积累一定转化数据,有足够多的转化数据后才能够进行第二阶段的oCPC智能报价。

为什么会有这么多不同的计费模式呢,想象如下对话场景。

流量主(微信)说:我们微信就那么十几亿用户,每天朋友圈能够进行展现的广告量就那么几百亿,给你们曝光了就不能给别人曝光,曝光量反应我们的成本,当然应该按照曝光量(CPM)计费。

广告主(游戏公司)说:你们绝大部分曝光都没有转化啊,没有转化对我来说等于0啊,我还给你广告费,这不是白嫖吗?按转化量(CPA)计费吧!

流量主(微信)说:我们给了你们那么多流量曝光,是你们这个游戏做的太辣鸡了,用户都不感兴趣,怪我咯?

广告主(游戏公司)说:你看看你们都把我们的游戏推给了一些什么用户啊,我们这是一款格斗类游戏,你们怎么还推给那么多的中老年大爷大妈,要多给小学生推啊!

流量主(微信)说:那我们折衷一下,按点击量计费(CPC)吧,用户既然都点击了,说明我们给你找的这个用户是精准的,用户最后有没有下载这个游戏就不是我们能够控制的了啊,广告文案是你们写的,游戏也是你们做的,你们自己去优化呀。这样OK吧?

广告主(游戏公司)说:那你们一个点击量收多少钱啊?

流量主(微信)说:你们可以自主报价,系统会拿你们的报价和其他广告主的报价进行竞价比较,最终平台预估收益最高的广告报价获得流量展示机会。

广告主(游戏公司)说:那是不是CPC报价最高就一定能拿到流量呢?

流量主(微信)说:也不一定,因为我们是按照点击量收费的,如果用户不点击的话我们不收钱,所以点击率和CPC报价的乘积才是我们平台的预估收益。如果你们的游戏和广告文案做得更好一些,点击率就更高一些,你们的CPC报价低一些也能够拿到流量,从而节约广告成本。

广告主(游戏公司)说:得了您,我们走一个试试。

(一个月后...)

广告主(游戏公司)说:我们上个月试了一下你们这个CPC报价,不是很好弄啊,调低了吧竞价阶段都拿不到流量,调高了吧感觉又很浪费钱,虽然现在也买了不少点击量了,但是转化率不高呢,你们那边有什么解决方案吗?

流量主(微信)说:你们可以试试我们的智能报价策略优化的按用户点击计费(oCPC)方式。你们设定能够接受的转化报价(CPA)范围,我们的智能系统会根据流量和你们广告的匹配程度进行智能报价,如果预估转化率高的,我们会相应调高报价,如果预估转化率低的,系统会降低报价,这样能够降低你们的平均转化成本,并且不用你们反复调价。

广告主(游戏公司)说:盖了帽儿了我的老baby。

四, eCPM 排序

现在的互联网广告平台很多时候都会给广告主非常灵活的广告投放计费策略供他们选择。

广告主可以选择CPC计费方式,为用户的点击付费,也可以选择CPA计费方式,为用户最终的转化行为付费。

如果投放的是品牌广告,只关注曝光量,也可以选择CPM计费方式,以确定的价格直接购买曝光量。

当然,广告主还可以选择更加智能的报价方式如oCPC,oCPM,oCPA,

那么,这么多的广告,计费策略还不相同,广告平台如何确定在特定场景下应该展现哪条广告才能获得最大收益呢?

答案是预估每种广告展现后的收益(eCPM:estimated Cost Per Mile),排序后选择其中最高的进行展现。

假设微信朋友圈后台的待展现广告列表里有3条广告。

第一条广告A是一条CPM广告,广告主报价是1元,也就是每曝光1000次给支付1元。

第二条广告B是一条CPC广告,广告主报价是2元,也就是用户每点击1次给广告平台支付2元。

第三条广告C是一条CPA广告,广告主报价是10元,也就是每成功转化一个用户给广告平台支付10元。

第四条广告D是一条oCPC广告,智能调价系统的出价是3元,也就是用户每点击1次给广告平台支付3元。

现在有个家伙来刷朋友圈了,微信打算给他送个惊喜,曝光1条广告给他,恰点钱。

到底该曝光哪条广告给他才能获得最高的收益呢?

对于广告A,其千次展现预估收益eCPM的计算非常简单。

eCPM(A) = OCPM(A) = 1 元

对于广告B,它的eCPM还取决于这个场景下用户对这条广告进行点击的概率 CTR(Click Through Rate),假定这个概率是0.01.

eCPM(B) = 1000 *  CTR(B) * CPC(B) = 1000 * 0.01 * 2 = 20 元

对于广告C,它的eCPM不仅取决于用户进行点击的概率CTR,还取决于用户点击后进行进一步下载APP或者购买商品等转化行为的概率CVR(Convention Rate),假定广告C预估被用户点击的概率是0.05,点击后转化的概率是0.1.

eCPM(C) = 1000 *  CTR(C) * CVR(C) * CPA(C) = 1000 * 0.05 * 0.1 * 10 = 50 元

对于广告D,它的eCPM计算方式和CPC广告的计算方式是一样的,假定CTR概率是0.02.

eCPM(D) = 1000 *  CTR(D) * oCPC(D) = 1000 * 0.02 * 2 = 40 元

很显然,在这个场景下,这个广告位给广告C能够获得更好的预期收益,这个预期收益是 50/1000 = 0.05元。

最后的成交价一般会取第二高报价的基础上加0.1元,所以,假设这条广告最后发生了转化,广告主C应当支付 40.1/5=8.02元。

五, CTR和CVR预估

从eCPM的计算公式中可以看到,对于CPC广告,计算它的关键是准确地估计点击率CTR。

而对于CPA广告,要计算eCPM,不仅需要准确地估计点击率CTR,还需要准确地估计转化率CVR。

可以说,CTR和CVR估计得准不准,直接决定了广告流量分发的效率,从而决定了广告平台的最终收益。

从算法角度来看,CTR预估和CVR预估可以转换成一个二分类问题(点击还是没点击,转化还是没有转化)。

通常,CTR预估使用的模型结构基本上和推荐系统中的精排阶段是一样的,主要是要做好user和item的特征交叉,做好行为特征建模。

但广告的CTR/CVR预估和推荐系统的精排有一点细微的差别,推荐系统的精排业务上只关心这个排序的相对值,但是广告系统的CTR/CVR预估是关心这预估概率的绝对值的。

因为推荐系统只要把用户更加喜欢的排在前面就行了,至于内容A和内容B用户的喜欢程度相差多少,那个是不重要的。

而广告系统有不同的广告,CPC广告要和CPM广告竞价,必须要知道CPC广告点击率CTR的绝对值才可以比较。

所以,做CTR/CVR算法模型,如果对样本做了重采样,会导致CTR预估概率偏离真实值,需要根据采样比例重新校正。

以上。

万水千山总是情,点个在看行不行?

762562fcb26214d0f6e0c2dbddf3a3b3.png

广告推荐算法 Lookalike look-alike 并不是某种特定的算法,而是一类建模方法的统称。Look alike简单说,就是依据访客,尤其以转化客户的典型行为特征,去推及在全网中寻找那些类似行为特征,但并未看过广告,或者从未出过转化的用户进行广告投放。这种方法相对来说计算量较大,且可能因为特征十分微小分散,也可能因采集样本量级不够大或不明干扰因素等,最后得出的特征会较为发散,未必能找出收敛的特征要素。所以很多时候我们也会通过人群标签作为中介来做look alike。 阅读详情

相关推荐

企业生成式AI落地的四大生死线与实操避坑指南

生成式AI已从技术概念演进为可嵌入业务流程的核心能力,其本质是基于大语言模型的自然语言接口,通过提示词工程、RAG增强与护栏机制实现可控输出。技术价值不仅在于自动化效率提升,更在于释放‘不可见时间’、重构人机协同边界,并支撑合规、风控、研发等高价值场景的决策升级。当前企业落地瓶颈已不在模型可用性,而集中于数据主权风险、算力成本失控、组织能力断层及伦理可计算化等深层问题。本文聚焦真实产线中的典型故障、成本黑洞与协同断点,提供可立即验证的架构设计、评估矩阵与运维策略。

agtvo48266的专栏 476

根据ctr和cvr确定一个广告是否不符合预期

cost = bid * ctr * cvr * 1000 cost:广告主成本 bid:广告主对一条广告的出价 ctr:千次点击率 cvr:千次转化率 这里是正常的预计广告主cost的公式。实际中,cost的扣费根据ocpc,ocpm等各种情况进行扣费,不是根据这个公式扣费的。 用cost/bid,等于 1000*ctr*cvr。我们知道ctr*cvr是符合二项分布的。因为单次点击和单词转化都是独立的。所以用cost/bid就是均值为p的一个正太分布 我们知道实际的ctr*cvr = 点击数

silver9886的专栏 2052

计算广告(七)

广告排序技术 为什么要做预估 谈到CTR/CVR/DeepCVR,尤其在互联网广告这块,简而言之,就是给某个网络服务使用者推送一个广告,该广告被点击的概率/浅层转化/深层转化概率 由于现有广告排序遵循ecpm = ctr * cvr * deep_cvr * bid * alpha + hidden_cost,且要作为计费金额计算,所以和推荐、搜索最大的不同是,不能保证序正确,而是要保证整体预估的准确性 公式 ecpm = ctr * cvr * deep_cvr * bid * alpha + h

GavinKai 1559

都是推荐系统,广告算法和推荐算法有啥区别?

Datawhale干货作者:知乎King James,伦敦国王大学导读:广告和推荐算法的技术框架比较相似,却在很多公司中分属两个团队,两者的区别在哪里?这里从两者在实际业务中运用的角度...

Datawhale 5785

ESMM 搜推领域的 CTR,CVR 多任务学习

该论文提出了ESMM模型,解决CVR预估中的样本选择偏差(SSB)和数据稀疏(DS)问题。传统CVR模型仅使用点击样本训练,但预测时需处理曝光样本,导致偏差。ESMM通过联合建模CTR和CVR任务,利用CTR的曝光样本间接优化CVR模型的共享参数。网络结构包含共享底层和CTR/CVR两个任务塔,损失函数结合CTR和CTCVR损失。实验表明,在点击样本上CVR任务AUC提升2.56%,在曝光样本上CTCVR任务AUC提升3.25%,验证了模型的有效性。代码实现中,通过共享特征层和联合损失函数,确保未点击样本也

yichudu 6397

搜索算法和推荐算法、广告算法的区别

广告和推荐算法的技术框架比较相似,在线计算时都分为召回(candidates generating)和排序(candidates ranking)两个阶段(这似乎是计算资源有限条件下,所有检索问题的通用架构)

互联网架构师笔记 3443

20分钟吃掉推荐算法业务知识

一, 搜索和推荐 搜索是人找物,而推荐是物找人。搜索一般用来满足用户比较明确的需求,而推荐则可以用来满足用户相对模糊的需求。大家熟悉的推荐系统包括 抖音短视频、今日头条新闻推荐、网易云音乐每日推荐、淘宝京东的猜你喜欢推荐、B站的视频推荐等等。大家熟悉的搜索系统包括 谷歌百度搜索、淘宝京东的商品搜索栏、知乎问题搜索栏、以及脉脉上的找人搜索等等。搜索有一定的使用门槛,用户需要...

Python_Ai_Road的博客 691

广告算法相关概念及基础知识

广告算法基本概念

NLP与推荐算法 3163

一文梳理广告CTR预估算法和架构体系

在3.0阶段,深度学习神经网络相比浅层模型的巨大优势是在于宽深的网络结构,理论上深度学习能带来非常高阶的特征交叉,但是由于神经网络的训练存在局部最优的问题,仅仅依赖隐式的特征交叉往往不能带来最完美的效果,显示+隐式的交叉行为可以为CTR预估带来更好的效果。如何更快地捕获用户的数据分布?在排序模型中,我们往往在特征层面实现了不同的用户、商品有不同的输入信息,但我们的模型参数是同一套,如果能在模型层面给予个性化的参数结构,就能给CTR模型带来更大的表征能力,PPNet、APG是比较典型的个性化参数建模思路。

cnuqlj101的博客 2855

自动驾驶仿真:Carsim、NI和VTD联合仿真课题二

文章目录前言一、设备配置1、硬件需求2、网络配置二、Carsim工程配置1、创建工程2、创建数据库3、参数配置三、VTD工程配置1、创建工程四、Veristand工程配置1、创建工程五、运行程序 前言 上篇文章《Carsim、NI和VTD联合仿真课题一》简单地介绍了三者之间的联合框架,以及NI与VTD之间简单的组包与拆包指导。这篇文章将要讲述的是如何将三个软件联合起来,如何设置软件参数,用最简单的方法把仿真车开起来。 一、设备配置 1、硬件需求 注:真正的做智能驾驶仿真项目,至少需要两台电脑,一台实时机

zataji的博客 1万+

华为开发岗暑期实习笔试(2025年4月16日)

第一题怀疑测试样例不完整,贪心法不应该能够解决该题。第二题使用0-1BFS解决单源最短路径的问题,往往搭配双端队列实现。第三题是运用动态规划解决最大不重叠子区间个数的问题,难点在于满足3重判断规则,所需数据结构及相关操作较多。

csy031117的博客 3664

【RecSys】推荐系统和计算广告经典算法论文及实现总结

推荐系统和计算广告经典算法论文及实现总结

全性保真,不以物累形。 3454

传感器采集信息的频率(采样频率)

较高的采集频率通常能提供更详细的信息,但也会增加数据处理和存储的负担。在某些应用中,较高的采样频率可能是必要的,而在其他情况下,则可能会选择适当的低采样频率以降低功耗和数据处理压力。传感器采集信息的频率(采样频率)是指传感器在一定时间内对输入信号进行采样的次数。对于一些需要快速检测和响应的应用,如运动传感器、声音传感器等,高采样频率是至关重要的。高采样频率通常需要更多的功耗和更大的存储容量,因为产生的数据量更大。例如,对于快速运动的对象,较低的采样频率可能无法捕捉到运动的真实轨迹。

chen的博客 5350

13、广告-算法优化

算法优化是程序化广告中的重要技术,通过优化广告投放策略、用户行为分析、竞价算法和实时数据处理,可以提高广告的精准度和效果。理解和掌握算法优化的相关技术和操作流程,是广告从业者提升广告效果和优化投放策略的重要保障。算法优化在程序化广告中起着至关重要的作用,通过优化算法可以提高广告投放的精准度和效果。用户行为分析是指通过对用户的浏览、点击、购买等行为数据进行分析,了解用户的兴趣和需求,从而优化广告投放策略。竞价算法是程序化广告的核心,通过优化竞价算法,可以在保证广告效果的同时,最大限度地节约广告成本。

qq_29434541的博客 1952

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

算法大师! 476

L型探测器几何畸变矫正

定位像素空间位置 -> 计算水平面投影点 -> 统一物理分辨率 -> 重采样生成新图。

如果想成为中心,那么就到中心去吧。 243

广告投放术语

由于投放初期,竞品广告主所属领域相同,CTR 和CVR均来自行业大盘数据,所以影响ECPM值的因子就是出价,即出价高者被优先推荐.随着投放时间的增长,CTR和CVR被广告系统进行统计,此时,出价对ECPM的影响越来越小.有了实际的统计数据后, 假如A广告出价50,但点击和转化都为0,那么ECPM也为0,即广告平台没得赚;而B广告出价1,但有点击和转化,导致ECPM值比广告A的ECPM高,那么广告B会被优先推荐。想让广告平台优先推荐你的广告,就是提高ECPM值, 公式可以看出,决定ECPM的因子有三个.

罗曼蒂克在消亡 802

请举手回答,LDO和DC-DC有什么不同?

文章目录1 LDO是什么2 LDO典型电路3 DC-DC是什么4 DC-DC典型电路5 LDO和DC-DC区别10.2.6 小结一下 大家好,我是记得诚。 DC-DC和LDO都是电源芯片,两者差异很大,用法也不同,这篇博客讲述LDO和DC-DC的一些差异,帮助更好的认识LDO和DC-DC并进行选型。 1 LDO是什么 LDO是low dropout regulator的简称,即低压差线性稳压器,这是相对于传统的线性稳压器来说的,传统的稳压器,输入比输出要高出很多,否则无法工作,LDO可能输入比输出高1~2V

记得诚 1万+

ESMM模型笔记

ESMM模型笔记 背景 ESMM模型是阿里算法团队关于CVR预估提出的新模型,思路很新颖,对于CVR预估有很强的参考意义。而且里面的多个目标其实可以根据实际业务进行替换,可以快速尝试应用,想象力空间很大。 CVR任务面临的典型挑战: 1. 样本选择偏差(SSB) 传统的CVR训练用的是点击数据,用户点击后未转化为负样本,点击后转化为正样本。但点击事件仅仅是整个曝光空间的一个子集,数据分布是不一致的,模型的泛化能力就会受到影响。 2. 数据稀疏问题(DS) 点击率一般是比较低的,曝光量是远远大于点击量的,以

whgyxy的博客 2086

petalinux2022.2启动文件编译配置

petalinux2021之前的版本里,导入目录components/yocto/下的“environment-setup-aarch64-xilinx-linux” 和 “layers/core/oe-init-build-env”的环境,能使用Yocto的devtool工具。(加入下面内容,先petalinux-build下载完成后才能有源码)制作 BOOT.BIN 启动文件:petalinux-package --boot --fsbl --fpga --u-boot --force。

wangjie36的博客 1401

一文让你轻松理解Wi-Fi理论速率计算方式

如上所示,在使用FDM的802.11协议上,最小子载波带宽为312.5KHz,那一个信道频宽为20MHz的信道可以分成64个子载波,但是由于技术原因,有效使用的是52个子载波,实际用于数据传输的只有48个,有4个子载波充当导频载波。载波:交流信号或者直流信号本身不具备数据传输能力,但是如果信号发生很小的波动或者变化,从而实现数据的收发。所谓子载波,就是将信号划为为很多的小信道,这些小信道可以实现数据的并发传输,子载波我们英文称为subcarrier,也称为音调(tone)。Symbol time如下所示。

1042484520@qq.com(邮箱) 3453

计算广告(广告知识)学习笔记

//todo

weixin_44024220的博客 3652

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

点击率 ctr 与转化率 cvr

概念定义 在广告和推荐场景中, 用户首先会看到平台给他生成的推荐结果, 称为曝光(impression), 用户会有一定的概率作点击(click), 进入详情页. 若果满意的话会购买产品, 称为转化(conversion). CTR Click Through Rate. 点击率. pCTR=p(click∣impression)pCTR=p(click|impression)pCTR=p(cl...

yichudu 2万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【推荐算法】ctr cvr联合建模问题合集

ctr和cvr分开建模相比ctcvr的优势?总结:1、ctr的数据可以试试获取,能实时训练。但是cvr存在延迟现象,样本更新慢。一起训练容易出现跷跷板现象。2、分开建模可以输出2个指标,便于调控。3、CTR肯定是需要单独建模的,因为它影响用户的长期的,也影响未来。CTCVR低,不代表用户不喜欢,也可能是因为其他原因(比如没钱,这个很容易建模,拿用户过去消费的金额,与当前商品的,一比就能知道)

littlemichelle 5633

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: 20分钟吃掉推荐算法业务知识
下一篇: 3k+星星的eat_pytorch_in_20_days更新啦
算法美食屋
博客等级 码龄9年 2万+粉丝 154原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值