爱奇艺广告

爱奇艺效果广告的个性化探索与实践

1. 优化目标

CPX 时代广告主投放广告是以点击作为计费方式，但广告主的真实诉求是点击后的转化行为。例如上图，一个 App 的广告，用户点击后的下载、安装、付费，这些转化行为才是广告主真正关注的。广告主为了提升从点击到转化的概率，会做很多离线优化，例如定向20-30岁女性或定向喜欢《亲爱的热爱的》电视剧的用户。但这样做可能会产生很多问题，比如定向粒度过细，目标人群少，导致广告放量效果不佳。

为解决上述问题，oCPX 的业务诞生了，优化目标从点击变成了后续的转化行为，广告主只需在投放广告时设置转化目标以及这个目标下的出价，其他的事情由算法模型来解决。

 

2. 广告业务特点

oCPX 业务对算法挑战难题主要为上图三点：

• 转化样本非常高维稀疏，样本维度高且正样本量极少。

• oCPX 业务复杂，比如需要支持安装转化、付费转化、关注公众号转化等类型。

• 平台流量大，对计算规模时效要求高。

 

3. 个性化广告推荐流程

• 召回：对候选广告进行召回，比如人群定向等。

• 粗排：使用轻量级但保证精度的模型对广告做初选，避免精排阶段服务压力过大。粗排阶段还有冷启动和随机探索等功能模块，主要用于解决 E&E 问题，避免马太效应 ( 投放好广告越来越好，差的越来越差 )

• 精排：使用高精度模型对点击率、转化率和智能出价进行预估。另外精排阶段还支持预算平滑功能。还有预算平摊到全时段等。

 

4. 排序目标

eCPM ( effective Cost Per Mille )，也就是千次展示平台的预期收益来排序，eCPM=点击率×转化率×出价×智能出价因子。

 

5. 特征工程

从周期来划分特征可分为实时、短期和长期。

• 实时特征主要考虑场景特征，即上下文特征，比如用户在看到广告之前看了哪些视频；时间信息也是非常重要的实时特征，比如周末和工作日分时段的点击转化率表现就有很大差异；此外还有反馈特征，包括正反馈及负反馈，主要针对用户看过哪些行业的广告及后续转化行为。

• 短期特征包含用户观影兴趣、搜索行为、社交行为和商业兴趣等。其中短期观影兴趣可能会发生变化，比如上图，如果有位女性用户怀孕了，她的观影兴趣可能会从长期的仙侠类视频短期切换到母婴类视频。

• 长期特征有人口基础属性(性别年龄等)、观影兴趣、商业兴趣、广告基础属性(所处行业等)和素材质量等。这里的观影兴趣，依然举上图例子，这位女性用户可能喜欢参与仙侠类的讨论，喜欢出现在仙侠剧中的偶像等等，所以针对这位用户打得长期观影兴趣的标签是仙侠。

 

6. 在线&离线模型

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。

 

7. CVR预估几大问题

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。

同时，转化率预估场景有滞后性问题，例如以 APP 作为推广目标的广告主设置转化目标为付费，但从用户点击广告到最终付费可能会经历很长的时间。传统的做法是设立时间窗口对这条样本进行跟踪，窗口内完成转化目标即打上正样本标签，反之则当作负样本看待，但很明显这么做有很多问题。为解决这个问题采用了一种替代方案，当点击产生时，我们将样本当作负样本来看，当转化行为完成后，这个样本就视为正样本，当然这里会进行适当的权重调整。

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。

 

8. 博弈&共赢（没看懂）

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。