支付宝广告进阶篇|支付宝商业广告算法|支付宝广告代理商开户找我们
1. 背景
随着支付宝广告业务的不断发展,我们也不断接入了一些新的流量场景。下图展示了支付宝手机应用内的某个广告场景的产品样式。
在新的流量场景接入过程中,我们面临着一些较大的业务挑战。这些挑战包括:
a) 上线初期,由于缺乏场景内用户反馈样本数据,我们面临着新场景冷启问题。
b) 在中期阶段,广告的点击率较低,我们面临着进一步扩大流量的难题(只有当点击率满足一定阈值条件后,才能允许进一步放量)。
c) 在后期阶段,我们面临着提升广告 CPM 和业务收益的压力。
为了解决这些不同阶段的业务问题挑战,我们进行了相应的算法优化,主要包括以下三个方面:
1. 我们通过基于样本增强的方法来优化新场景冷启问题。
2. 我们利用跨场景知识迁移和用户分层知识迁移的方式,提升广告的点击率。
3. 我们进行了算法优化,以提升广告系统的时效性。
经过多轮技术迭代升级,我们成功地提升了场景内广告的点击率模型技术指标 AUC 的量达到了0.10。业务效果方面,相对于初始状态,广告的点击率提升了超过,CPM(每千次展示费用)提升了超过200%。这是运营、产品和技术团队共同努力的结果。图2和图3展示了技术指标和业务指标的变化曲线。为了确保数据安全,本文中的业务数据指标已经进行了脱敏处理,量数值已经省略。
2. 新场景冷启问题优化
在2023年6月之前,支付宝的某个推荐卡片仅用于推荐内容流量。而在6月份之后,推荐卡片开始接入广告,并与推荐内容混合展示。然而,在上线初期,由于缺乏广告样本数据,我们面临着新场景冷启问题。
为了解决这个问题,我们想到了一个自然的方法,即将展位内的自然推荐样本引入到广告样本中,通过增强推荐领域的样本来缓解新广告场景的冷启问题。我们根据推荐和广告在线系统的埋点日志,使用 trace_id 将两个系统的样本数据进行关联,将用户侧特征与广告系统特征对齐,并进行增强样本的处理逻辑(详见图4)。需要说明的是,推荐物料和广告物料是异构的,它们之间没有交集,也就是说推荐物料无法映射到广告物料。由于当前无法对齐广告 ad 侧特征和推荐 content 侧特征,我们使用推荐 content_id 替代广告 ad_id,并将广告 ad 侧的其他特征补0。
这种样本增强策略在上线初期取得了显著的离线技术指标提升:AUC 提高了0.01,成为该场景基准模型。
随着场景内广告样本数据不断积累,基于自然推荐样本增强策略的效果逐渐减弱。因此,我们进一步打通广告单元和推荐物料的内容理解,深入挖掘广告单元和推荐物料可迁移的泛化特征,例如图片/文本多模态特征、行业类目体系特征、实体特征等。同时,推荐和广告场景的联合建模也是我们未来优化的方向之一,其中还有很大的挖掘空间。
3. 知识迁移学习
3.1 跨场景知识迁移
在支付宝广告投放的场景非常多,我们长时间以来采用了多场景/多任务统一建模的方法。在工业界,有一些代表性的技术方案被应用于多场景/多任务统一建模,例如SharedBottom、MMOE、PLE、ESSM、STAR、PPNet、M2M、APG等(参考文献[1-4])。这些方法的优点包括:能够通过多场景数据增强来缓解小场景样本稀疏问题,提高模型的泛化能力;统一建模也方便了模型的维护和统一优化。然而,统一建模也存在明显的缺点:不同场景之间的数据分布差异很大,可能会导致梯度冲突和跷跷板现象;尤其是在样本量丰富的大场景中,独立建模场景模型的效果可能优于统一建模。
3.2 用户分层知识迁移
为了解决冷启动广告单元预估性能低的问题,在精准排序(CVR)模型中,我们早期采用了基于元学习框架MAML(Model-Agnostic Meta-Learning)[5]的方法。通过有效利用非冷启动单元学到的知识,将其迁移到冷启动单元上,取得了良好的业务效益。元学习是以任务为训练样本,在不同任务上学习先验信息。即使在样本量较少的情况下,也能够利用先验信息获得较好的结果。元学习范式包括基于度量、基于模型和基于优化的方法。其中,基于度量学习的方法需要对每个类别学习一个表征,并通过距离度量来进行分类。然而,在搜广推中,特征大多是高维稀疏的,基于距离度量的方式并不适用于简单地将点击和非点击归为一类。基于模型的元学习方法主要利用深度网络模拟一个优化器,但需要额外学习网络参数,训练难度较大。基于优化的方法(如MAML)由于其模型无关、易于实现等优点,成为了广泛应用的元学习范式。许多基于元学习的算法也都采用了MAML,通过为新任务学习一个较好的初始化网络参数。
从数学推导和贝叶斯概率论的角度来看,基于meta-train得到的初始化参数可以作为新任务的一个较好先验知识。它具有较高的灵活性,能够解决任务不平衡性问题,并且具有较强的解决分布外(OOD)任务的能力。这是由于二阶段模式带来的好处:内循环解决任务参数私有性问题,外部循环汇集所有任务的共同知识。因此,目前在搜广推领域,基于MAML的路线比较主流。
场景(Task)的划分方式直接影响基于MAML的模型效果。良好的场景划分方式应具备以下特点:a)同场景样本内聚性强,避免样本分布差异过大导致学习难度增加,影响模型泛化能力;b)场景之间具有关联性,
- 小红书投流布局|小红书聚光投放开户|小红书广告代理商 2024-06-25
- 新手必看保姆级小红书广告投放指南|小红书聚光广告代理 2024-06-25
- 小红书广告投放引流|小红书广告投放|小红书引流|小红书代理商 2024-06-25
- 小红书聚光投放|小红书代理|小红书聚光的一些“潜规则” 2024-06-25
- 小红书广告投放如何做精准|小红书|聚光|小红书代理 2024-06-25
- 小红书广告投放|小红书|聚光|小红书种草和投放策略解析 2024-06-25
- B 站广告投放找我们|一站式开户代运营服务 怎么做好 B 站推广 2024-06-25
- B 站广告如何投放 一文看懂|B 站广告代理 2024-06-25
- 巨量千川广告投放揭秘 实现投放最大化 巨量千川广告代理 2024-06-25
- B 站如何通过落地页获客 B 站高能建站介绍 哔哩哔哩广告代理商 2024-06-25
- B 站广告投放 如何做精准投放 B 站DMP介绍 blibili 广告代理商 2024-06-25
- 小红书搜索广告展示位置 小红书搜索广告投放介绍 小红书一级广告代理商 2024-06-25
- 小红书广告聚光平台独有的优势 小红书聚光开户 小红书聚光广告代理 2024-06-25
- 小红书广告保姆级开户流程 小红书广告怎么开 小红书一级代理商 2024-06-25
- 如何利用小红书快速获客 小红书客资行业 小红书广告代理商 2024-06-25