广告学与在线广告

广告的目的与效果

广告：由确定的出资人通过各种媒介进行有关产品的，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、媒介、受众（三方的博弈）

• 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：在短期内明确用户转化行为诉求的广告。

广告 vs 推荐系统：

• 广告：文字链 好于 图片
• 推荐系统：图片 好于 文字链

搜索、广告与推荐的比较：

.	搜索	搜索广告	显示广告	推荐
首要准则	相关性relevence	投资回报率ROI	·	用户兴趣
其他需求	各垂直领域独立定义	质量，安全性	·	多样性diversity，新鲜度freshness
索引规模	~十亿级	~百万级–千万级	~百万级	~百万级–亿级
个性化	较少	较少	亿级用户	亿级用户
检索信号	集中	集中	丰富	丰富
Downstream优化	不适用（搜索结果是终点）	不适用	不适用	适用。同质化（点一个商品推下一个，点一个新闻推下一个新闻）

---

在线广告的独特性

• 技术和计算导向
• 可衡量性
• 标准化

在线广告的核心计算问题

$$max_{a_{1,...x}} \sum_{i=1}^T ROI(a_i,u_i,c_i)$$

优化角度：

• 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

系统角度：

• 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

挑战：

• 大规模：百万量级页面、十亿量级的用户；高并发；Latency的严格要求。
• 动态性：用户的关注和购物兴趣非常快速地变化
• 丰富的查询信息：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

ROI：点击率（CTR） × 点击价值

$$eCPM = \sum_{i=1}^T e(a_i,u_i,c_i) = \sum_{i=1}^T \mu(a_i,u_i,c_i) v(a_i,u_i)$$

在线广告系统

• 高并发投送系统：十毫秒级别的实时决策；百亿次每天的广告投放系统
• 受众定向平台：灵活的海量数据挖掘平台；前沿机器学习算法的分布式架构
• 数据高速公路：内部及外部TB级数据实时收集处理
• 流式计算平台：日志的准实时挖掘和反馈；反作弊与计价

相应的开源工具：

• Hadoop（HDFS、MapReduce）
• Hbase（Hadoop）、Cassandra（Facebook）
• mahout（Hadoop）
• Pig（Yahoo）、Hive（Facebook）
• Storm（Twitter）
• Thrift（Facebook）、Dubbo（Alibaba）、Avro（Hadoop）
• Zookeeper（Yahoo）
• Scribe（Facebook）、kafka（Linkedin）、flume（Cloudera）、Chukwa（Hadoop）

http://study.163.com/course/courseMain.htm?courseId=321007#/courseDetail