问风博客

在实际的在线广告中，还有一项对广告效果影响巨大的技术，那就是创意优化。如何在基本的宣传诉求可比的前提下，结合受众定向对创意做调整，这是广告系统不能不考虑的重要问题。广告系统运营中另一个必须考虑的问题是建立一个灵活的实验框架（experimentationframework）。由于各种策略、算法、架构的调整，通过线下评测和模拟都很难完全反映线上的变化，因此，需要有一个线上的实验系统来确定其有效性。线

在所有在线广告产品中，需求方平台（DSP）是算法挑战相对较大的。首先，在实时竞价环境下，DSP需要提供重定向、新客推荐等定制化用户标签，而这既需要与第一方数据和商品库打通等繁杂的工程接口，又产生了一些新的建模问题，特别是像新客推荐这种第一方数据和第三方数据兼用的受众定向问题。其次，需求方平台需要像广告网络那样估计点击率，并且会遇到比广告网络更高的准确性要求，另外还需要在面向效果类广告主时同时估计点

广告点击率预测的目的是对检索后的广告候选进行排序。但是，我们不能简单套用搜索里的排序问题：点击率预测不能像搜索那样只要求结果排序的正确性，因为点击率需要乘以点击单价才能得到最后的排序。另外，在DSP这种产品中，需要尽可能准确地预测eCPM，用于出价。因此，作为各种广告系统中通用的一项技术，点击率预测更适合建模成回归（regression）问题而不是排序（ranking）问题。经典的点击率预估模型以

竞价交易是整个在线广告市场最关键的一次产品进化，它带来了广告技术的迅速发展。在竞价广告中，大量中小广告主的检索规模使得对计算的效率要求很高，如何根据广告的业务要求设计更高效的索引和检索技术，是竞价广告系统一项通用的关键技术。查询扩展可以看成是一个关键词推荐问题，但也需要考虑一些与广告领域相关的特点。广告网络中的反作弊、计价等模块，需要将系统日志快速加工处理并反馈给线上决策系统。另外，对用户行为和点

受众定向技术是对广告（a）、用户（u）、上下文（c）这个维度提取有意义的特征（这些特征也称为标签）的过程。上下文定向需要对广告所在的页面进行分析，然而这一分析过程与搜索引擎的爬虫有很大的不同。结合广告对上下文信息的需求特点，一般可以采用一种半在线的方式抓取和分析页面，这种方式避免了无效的页面分析计算，又能够快速地对需要分析的页面做出响应。行为定向是根据用户历史上的网络访问行为对用户打标签的过程。一

合约广告的关键特征，是广告投放的价格和量由双方协商约定。展示量合约广告的投送系统称为担保式投送系统。它依赖于受众定向、流量预测、点击率预测这项基本技术，并采用在线分配的方式完成实时决策。一是在未来流量分布未知的情形下，如何估计在线分配算法的极限性能；二是在根据历史数据能进行相对合理的流量预测的情形下，如何利用这些预测搭建一个实用的在线分配系统。流量预测是在线分配的基础，也是后面竞价广告系统中广泛使

重点关注个相关领域的背景知识：信息检索（InformationRetrieval，IR）、最优化（optimization）和机器学习（MachineLearning，ML）一、信息检索计算广告采用的是类搜索的技术框架，即检索加排序两段的决策过程。、倒排索引其核心目的是将从大量文档中查找包含某些词的文档集合这一任务，用O()或O(logn)的时间复杂度完成，其中n为索引中的文档数目。也就是说，利用

在计算广告中，无论我们讨论的是产品还是策略，都与技术的关系十分密切。计算广告也是一个典型的个性化系统。不过由于复杂的市场交易结构、多样的数据来源以及预算带来的约束，计算广告是目前工业界遇到的个性化系统中比较复杂的，也是相对成熟的。个性化系统与搜索系统都是互联网时代具有挑战性的大规模计算问题。由于数据规模的要求，它们一般都采用检索（retrieval）加排序（ranking）这样类搜索的系统架构，因

进入程序化交易时代以后，互联网广告产业多方参与、规模化利用流量和数据的整个产品体系已经逐渐完善。广告从依附于媒体的简单变现功能，已经进化成了独立的业务体系，在互联网行业中的地位举足轻重。独立于内容的广告交易，必然会在效果和用户体验方面碰到天花板。原生广告最重要的也是最早引发“原生”问题讨论的产品形式就是信息流广告。这种广告形式最早见于社交网络，后来为各类移动广告产品广泛采用。应该说所有将商业化内容

要提高定向的精准程度与人群覆盖率，技术并不是最重要的因素。那么什么才是决定性的呢？是数据的来源与质量。这是正确认识精准广告业务非常重要的观点。时至今日，数据行业已经逐渐发展成了一个相对独立且有巨大发展空间的产业。一、有价值的数据来源（）用户标识。对广告而言，如何确定哪些行为来自于同一个用户是非常关键的问题。用户标识对于行为定向的重要性往往容易被忽视。实际上，稳定精确的用户身份，就像是一串前面的那个