24、数字展示广告中的机器学习应用

数字展示广告中的机器学习应用

数字展示广告面临的问题

在数字展示广告领域，尽管我们通常拥有大量的历史数据集，但推荐系统类的方法存在冷启动问题。当新用户或新产品进入系统且没有历史数据可供参考时，就无法建立关联。例如，一个全新的广告活动从头开始时，没有任何历史数据可用，基于其他类似活动构建的模型可能有效，也可能无效。

此外，外部因素会降低预测模型的有效性。随着技术和商业实践的变化，人们的行为也会改变。移动设备的增长极大地改变了数字广告格局，实时竞价完全改变了优化的层面。新形式的欺诈、广告拦截器、新浏览器和新网络技术等，都会改变模型所依赖的动态环境。

机器学习在广告中的重要性

数字广告是一个价值数十亿美元的行业，对于依赖它的品牌来说，即使是稍微减少浪费性支出的优化措施，也能带来显著的投资回报。每消除一次浪费的展示机会就能节省资金，而如果能将其替换为能带来客户的展示机会，收益将远远超过成本节约，这也证明了克服这一动态业务中诸多挑战的努力是值得的。

机器学习解决实际问题的要点

• 理解业务目标 ：首先要理解所建模的业务或活动、其目标以及如何衡量这些目标。同时，要考虑如何根据预测结果采取行动，即预期能基于所提供的见解进行哪些调整或优化。
• 特征工程策略 ：不同的特征工程策略可能会产生截然不同的工作数据集。广泛撒网并考虑多种可能性是有益的。例如，在第一个模型中，可以大幅扩展特征集，然后使用奇异值分解（SVD）进行降维；在第二个模型中，可以使用简单的聚合方法。哪种方法最有效取决于具体问题和数据。
• <