开屏广告=让用户等?小红书如何兼顾用户体验和广告投放效果

开屏广告作为小红书品牌广告的重要组成部分,已成为诸多品牌客户触达目标用户、实现品牌营销诉求的强力助推器。小红书开屏广告的投放策略,既要满足客户对保量和效果的诉求,还要兼顾对用户体验的影响。由此我们配套了“流量优选+动态决策”方案,从开屏广告流量优选的形式化出发,推导得到最优分配策略,基于反馈调节实现了在线的流量分配;同时为尽可能缩短开屏场景下用户的等待时间,我们设计了动态决策机制,在满足用户体验要求的前提下实现了流量优选。

开屏广告会在用户打开小红书 APP 时进行全屏展现,整屏曝光带来的沉浸式视觉体验,能够高效帮助品牌和产品提升用户认知。配合丰富的交互样式与落地页类型,小红书开屏广告已成为诸多品牌在新品上市、品牌活动等期间快速触达目标用户的强力助推器。

目前小红书的开屏广告主要支持以合约的方式售卖,即客户采买流量时,提前与平台确认预定的曝光量,在投放当天由平台自动投放并保证曝光量满足预期。

近年来在品效结合的大背景下,除了保量,投放开屏广告的客户更希望平台能够优化广告的投放效果。在实际的业务场景中,客户主要基于 CTR 来评估广告的投放表现。过去小红书的开屏广告投放更多注重的是订单保量,未充分考虑如何优化投放效果,我们希望通过将投放策略升级为流量优选,在满足订单保量的前提下,优化开屏广告的 CTR。

接下来我们将分两部分介绍小红书开屏广告的投放策略:

● 第一部分介绍我们如何在较为理想的情况下通过流量优选满足客户对开屏广告保量和效果的诉求。我们从问题定义与形式化出发,通过推导得到流量优选的最优分配策略,并基于反馈调节实现了在线的流量分配;

● 第二部分介绍决策机制升级在工程落地时,由于小红书对用户体验的高要求,APP 启动时间被压缩得很短以致难以进行实时广告决策,我们设计了异步决策的方案,并在此基础上进一步实现了开屏广告的动态加载机制,在满足用户体验要求的前提下落地了开屏的流量优选

小红书开屏广告的流量优选,目标是在满足保量的基础上,尽可能优化广告 CTR。这是一个典型的流量分配问题,业内针对此类问题的常⽤做法是对分配问题进⾏形式化建模,并通过对偶求解的⽅式将问题进⾏转换,求解出流量最优分配公式,然后基于最优分配公式,采用反馈调节的方式实现流量优选的落地。遵循这一思路,我们先介绍问题形式化建模与求解。

问题定义与求解

我们定义开屏全天流量集合为 \{pv_i \ | \ i = 1,2,3,\dots,n\}  ,广告订单集合为 

传送带损坏与对象检测数据集 一、基础信息 • 数据集名称:传送带损坏与对象检测数据集 • 图片数量: 训练集:645张图片 验证集:185张图片 测试集:92张图片 总计:922张工业监控图片 • 训练集:645张图片 • 验证集:185张图片 • 测试集:92张图片 • 总计:922张工业监控图片 • 分类类别: Hole(孔洞):传送带表面的孔洞损坏。 Human(人类):工作区域中的人类,用于安全监控。 Other Objects(其他对象):非预期对象,可能引起故障。 Puncture(刺穿):传送带被刺穿的损坏。 Roller(滚筒):传送带滚筒部件。 Tear(撕裂):传送带撕裂损坏。 impact damage(冲击损坏):由于冲击导致的损坏。 patch work(修补工作):已修补的区域。 • Hole(孔洞):传送带表面的孔洞损坏。 • Human(人类):工作区域中的人类,用于安全监控。 • Other Objects(其他对象):非预期对象,可能引起故障。 • Puncture(刺穿):传送带被刺穿的损坏。 • Roller(滚筒):传送带滚筒部件。 • Tear(撕裂):传送带撕裂损坏。 • impact damage(冲击损坏):由于冲击导致的损坏。 • patch work(修补工作):已修补的区域。 • 标注格式:YOLO格式,包含边界框类别标签,适用于目标检测任务。 • 数据格式:图像数据来源于工业监控系统,适用于计算机视觉分析。 二、适用场景 • 工业自动化检测系统开发:用于构建自动检测传送带损坏异物的AI模型,实现实时监控预防性维护,减少停机时间。 • 安全监控应用:识别人类其他对象,提升工业环境的安全性,避免事故人员伤害。 • 学术研究与创新:支持计算机视觉在制造业、物流自动化领域的应用研究,促进AI技术与工业实践的融合。 • 教育与培训:可用于培训AI模型或作为工业工程自动化教育的案例数据,帮助学习者理解实际应用场景。 三、数据集优势 • 多样化的类别覆盖:包含8个关键类别,涵盖多种损坏类型对象,确保模型能够处理各种实际工业场景,提升泛化能力。 • 精准的标注质量:采用YOLO格式,边界框标注准确,由专业标注人员完成,保证数据可靠性模型训练效果。 • 强大的任务适配性:兼容主流深度学习框架(如YOLO、TensorFlow、PyTorch),可直接用于目标检测任务,并支持扩展至其他视觉任务需求。 • 突出的工业价值:专注于工业传送带系统的实际需求,帮助提升生产效率、降低维护成本,并增强工作场所安全,具有较高的实际应用价值。
一、基础信息 • 数据集名称:垃圾废弃物目标检测数据集 • 图片数量: 训练集:1124张图片 验证集:375张图片 总计:1499张图片 • 训练集:1124张图片 • 验证集:375张图片 • 总计:1499张图片 • 分类类别:包含60多个垃圾废弃物类别,如气溶胶、铝泡罩包装、电池、破碎玻璃、卡片泡罩包装、香烟、透明塑料瓶、瓦楞纸箱、薯片袋、一次性食品容器、一次性塑料杯、饮料罐、饮料纸盒、鸡蛋盒、泡沫杯、泡沫食品容器、食品罐、食物垃圾、垃圾袋、玻璃瓶、玻璃杯、玻璃罐、杂志纸、餐盒、金属瓶盖、金属盖、普通纸、其他纸箱、其他塑料、其他塑料瓶、其他塑料容器、其他塑料杯、其他塑料包装、纸袋、纸杯、纸吸管、披萨盒、塑料瓶盖、塑料薄膜、塑料手套、塑料盖、塑料吸管、塑料餐具、聚丙烯袋、拉环、绳子、废金属、鞋子、一次性购物袋、六罐环、涂抹管、可挤压管、泡沫塑料片、纸巾、厕纸管、特百惠、未标记垃圾、包装纸等。 • 标注格式:YOLO格式,包含边界框类别标签,适用于目标检测任务。 • 数据格式:图片来源于实际场景,细节清晰。 二、适用场景 • 垃圾自动分类系统开发:数据集支持目标检测任务,帮助构建能够自动识别分类垃圾物品的AI模型,用于智能垃圾桶或回收系统,提升废弃物管理效率。 • 环保应用研发:集成至环保废弃物管理应用,提供实时垃圾识别功能,促进回收环境保护,支持可持续发展倡议。 • 学术研究与创新:支持计算机视觉与环保领域的交叉研究,助力发表垃圾识别AI技术相关学术论文,推动技术创新。 • 教育与培训:可用于学校或培训机构,作为垃圾分类AI目标检测教学的重要资源,培养环保意识技术能力。 三、数据集优势 • 精准标注与多样性:每张图片经过准确标注,确保边界框定位精确;包含多种垃圾类别,覆盖常见废弃物,提升模型的泛化能力鲁棒性。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO等),可直接用于目标检测任务,并支持扩展到其他视觉任务,如分类或分割。 • 实际应用价值:专注于垃圾识别,为环保、废弃物管理回收提供重要数据支撑,有助于减少污染促进循环经济。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

小红书技术REDtech

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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