数字营销领域的千人前面智能投放研究

下载 4

大佬陈

发布于

2049

人观看

#信息技术

数字营销领域的千人前面智能投放研究

展开查看详情

1 . ） TC BD （数字营销领域的千人千面智能投放研究会大术技朱亚东 Ramon 据数大国中 18 20

2 . ） TC 旗下原生广告平台 BD （ • 全球领先的移动营销平台会 • 全球13个办公室，大程序化互动术广告平台 600+员工，技 40%+技术研发团队据 • 即将港股IPO 数大旗下移动游戏国数据分析平台中 18 20

3 .人工智能 = 数据 + 平台 + 算法） TC BD • 大量实时产生的数据为人工智能的应用奠定了基础（数据会 • 通过大量数据训练人工智能的算法模型大术技 • 深度学习对并行计算及数据吞吐能力有更高的要求人工智能据平台 • GPU发展及计算能力的提升使得云计算平台可以快速数计算处理大量数据大国 • 机器学习算法是实现人工智能落地的引擎中 18 算法 • 机器学习尤其是深度学习及强化学习的发展与迭代 20 促成了人工智能与商业场景的结合

4 .总体布局） TC BD 纵向延伸计算平台引擎（会电子商务大术技定制化据金融科技数大国游戏头部大媒体中部程序化流量长尾网盟流量中 18 工具类 20 全媒体移动营销

5 .计算平台架构） TC BD 离线：超大规模，高效计算（会数据仓库 DMP 在线：高性能，低延迟大术数据流特征工程算法组件数据流通道技实时数据服务在线评测据数大大数据计算分布式机器学习国实时用户行为分布式预估中 18 集群调度资源管控 20

6 .一站式全链路机器学习平台—MindAlpha ） TC BD 自主研发，百亿特征，秒级更新（会完备的流程周期一体化大数据流接入、特征生成、模型训练、线上预估、术技在线评测、在线学习的周期流程据数完善的一站式服务框架大国 • 闭环高效的数据流平台中 • 超大规模分布式的训练平台 18 • 高性能的在线预估平台 20

7 .MindAlpha ） TC 模型实时存储服务 BD （分布式模型训练框架分布式模型预测服务会 Server Server Server Server M1 M2 大 Replica 1 Replica 2 Replica 1 术 Worker Worker Worker Shared 1 Shared 2 Shared 3 技 … … … FTRL / FM / DNN 算法组件据 Shared n Shared n Shared n 数大实时特征工程国在线排序服务中离线特征在线特征 18 实时特征回流在线排序请求 20

8 .千人千面的智能投放体系） TC BD 筛选适合广告的人（年龄 Gender 职业会 Occupation 大性别切合的需求 Gender 术留存技安装 Retention 国籍 Install 据 Nationality 浏览优选创意数 History 大爱好国时间 Hobby Time 作息位置 Work & Rest 中最佳投放 Location 18 20

9 . ） 20+ 全球顶级Adx TC BD 题材 Theme FTRL （类型风格会 Type Style FFM GBDT 游戏行为大 Game MODEL 术 Behavior 活跃特征粘性特征技 Active Sticky DRL XNN 据 Features 付费特征 Features …… 数 Paid Features 大国 100亿+ 设备，9亿日活 500+开发者中全面立体的AI投放 18 700+标签类目体系 1,500+ 顶级App应用 20

10 .业务场景） TC BD 广告类型：CPM，CPC，CPI，CPE （ ecpm： 𝑏𝑏𝑏𝑏𝑏𝑏𝑐𝑐𝑐𝑐𝑐𝑐 , 𝑐𝑐𝑐𝑐𝑐𝑐 ∗ 𝑏𝑏𝑏𝑏𝑏𝑏𝑐𝑐𝑐𝑐𝑐𝑐 , 𝑐𝑐𝑐𝑐𝑐𝑐 ∗ 𝑐𝑐𝑐𝑐𝑐𝑐 ∗ 𝑏𝑏𝑏𝑏𝑏𝑏𝑐𝑐𝑐𝑐𝑐𝑐/𝑐𝑐𝑐𝑐𝑐𝑐 会大术双层排序空间技 cpm Campaigns, creatives 据 cpc 数 cpi 大 cpe 机制设计国中 OCPI 展现占比 18 20

11 .Algorithm Applications ） TC LR+GBDT BD （ FTRL ESMM 会大 DF-ESMM 术技据 MindAlpha XNN DF-ESM-DNN 数大国中 18 RL DRL 20

12 .LR/FM/FFM ） TC Training IVR Model with LR and FM/FFM Directly BD （会 Output IVR 大术技据数 … 大 … … 国 Sparse Ffeature FM and LR .. .. .. . . . 中 … 18 20

13 .CTR&CVR Co-Training ） TC Problems in CVR model training BD • Sample selection bias （会 • Data sparsity 大 • ESMM: Entire Space Multi-Task Model 术技 ESMM with Logistic Regression 据数 • L 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 , 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 = 𝑙𝑙 𝑦𝑦, 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 + 𝑙𝑙 𝑧𝑧, 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 × 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 大国 𝜕𝜕𝜕 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑧𝑧−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑣𝑣𝑟𝑟 • = 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 𝑦𝑦 + (𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 1) 中 𝜕𝜕𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 1−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑣𝑣𝑟𝑟 18 𝜕𝜕𝜕 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑧𝑧−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑣𝑣𝑟𝑟 • = (𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 1) 20 𝜕𝜕𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 1−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑣𝑣𝑟𝑟

14 .ESMM ） TC ESMM Loss BD Output IVR （会大术技据 … … 数 … … 大 .. .. .. … .. .. .. … . . . . . . 国 … … 中 18 CVR Model CTR Model 20

15 . PS算法插件 20 18 中国大数据技术大会（ BD TC ）

16 .样本延迟） TC 在效果展示广告中，用户的转化事件距离展现具有较长的时间窗口 BD 点击样本的抉择：负例 or 延迟正例？（ 3 a.m. 4 a.m. 5 a.m. 6 a.m. 7 a.m. 8 a.m. 会在样本中加入delay time label 𝒆𝒆 大 click • 𝑥𝑥, 𝑦𝑦 → (𝑥𝑥, 𝑦𝑦, 𝑒𝑒) 术技 • 𝑒𝑒 ∈ 1,2,3,4,5,6 ，join时间窗6小时据 install e=1 e=2 e=3 e=4 e=5 e=6 Weibull分布建模安装延迟数大 k p d|x = k ∗ λ x (d ∗ λ x )𝑘𝑘−1 𝑒𝑒 −（d∗λ x ）国 λ x = e𝑤𝑤∗𝑥𝑥 中 𝑘𝑘 18 p Y = 0 𝑋𝑋 = 𝑥𝑥, 𝐸𝐸 = 𝑒𝑒) = 1 − 𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 + exp − 𝑒𝑒 ∗ 𝜆𝜆 𝑥𝑥 ∗ 𝑐𝑐𝑐𝑐𝑐𝑐(𝑥𝑥) 20 𝑘𝑘 𝑘𝑘 p Y = 1 𝑋𝑋 = 𝑥𝑥, 𝐸𝐸 = 𝑒𝑒) = [exp −( 𝑒𝑒 − 1 ∗ 𝜆𝜆 𝑥𝑥 ) − exp − 𝑒𝑒 ∗ 𝜆𝜆 𝑥𝑥 ] ∗ 𝑐𝑐𝑐𝑐𝑐𝑐(𝑥𝑥)

17 .DF-ESMM ） TC Introduce delay feedback into co-training loss, and solve with MLE BD （ L 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑧𝑧−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ∗𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 • = 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 𝑦𝑦 + (𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 1) 𝜕𝜕𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 1−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ∗𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 会大 L 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑧𝑧−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ∗𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 2.5 𝜆𝜆 = 1, 𝑘𝑘 = 0.5 • = (𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 − 1) 术 𝜆𝜆 = 1, 𝑘𝑘 = 1 𝜕𝜕𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 1−𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ∗𝑓𝑓 𝑥𝑥;𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝜆𝜆 = 1, 𝑘𝑘 = 1.5 2.0 技 𝜆𝜆 = 1, 𝑘𝑘 = 5 𝜕𝜕𝜕 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 ,𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑘𝑘∗((𝑒𝑒−1)∗𝜆𝜆 𝑥𝑥 )𝑘𝑘−1 exp −( 𝑒𝑒−1 ∗𝜆𝜆 𝑥𝑥 )𝑘𝑘 −𝑘𝑘∗(𝑒𝑒∗𝜆𝜆 𝑥𝑥 )𝑘𝑘−1 exp −(𝑒𝑒∗𝜆𝜆 𝑥𝑥 )𝑘𝑘 𝜕𝜕𝜕𝜕(𝑥𝑥) • 据 = ∑𝑖𝑖,𝑦𝑦𝑖𝑖=1 𝑘𝑘 + 1.5 𝜕𝜕𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 exp −( 𝑒𝑒−1 ∗𝜆𝜆 𝑥𝑥 )𝑘𝑘 −exp − 𝑒𝑒∗𝜆𝜆 𝑥𝑥 𝜕𝜕𝑤𝑤𝑑𝑑 数 𝑘𝑘−1 ∗exp(−(𝑒𝑒∗𝜆𝜆(𝑥𝑥))𝑘𝑘 ) 𝜕𝜕𝜕𝜕(𝑥𝑥) 𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 ∗𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 ∗𝑘𝑘∗𝑒𝑒∗ 𝑒𝑒∗𝜆𝜆 𝑥𝑥 ∑𝑖𝑖,𝑦𝑦𝑖𝑖=0 𝑘𝑘 1.0 ∗𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 ∗𝑐𝑐𝑐𝑐𝑐𝑐(𝑥𝑥) 𝜕𝜕𝑤𝑤𝑑𝑑 大 1−𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 ∗𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 +exp − 𝑒𝑒∗𝜆𝜆 𝑥𝑥 0.5 国 𝑘𝑘 𝑘𝑘 [exp −( 𝑒𝑒 − 1 ∗ 𝜆𝜆 𝑥𝑥 ) − exp − 𝑒𝑒 ∗ 𝜆𝜆 𝑥𝑥 ] ∗ 𝑐𝑐𝑐𝑐𝑐𝑐(𝑥𝑥) 𝑖𝑖𝑖𝑖(𝑧𝑧 = 1) 中 • 𝑓𝑓 𝑥𝑥; 𝜃𝜃𝑐𝑐𝑐𝑐𝑐𝑐 , 𝜃𝜃𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = � 𝑘𝑘 0.0 （1 − exp − 𝑒𝑒 ∗ 𝜆𝜆 𝑥𝑥 ） ∗ 𝑐𝑐𝑐𝑐𝑐𝑐 𝑥𝑥 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0.5 1.0 1.5 2.0 2.5 18 20

18 .DF-ESMM ） TC DF-ESMM Loss BD （会 Delay CVR Loss Output IVR 大术技据数 … … 大 … … … .. .. .. … .. .. .. … 国 . . . . . . … … 中 18 Generalized Linear Delay Model CVR Model CTR Model 20

19 .DF-ESMM-DNN ） TC Delay Feedback ESMM Base on DNN BD （ DF-ESMM-DNN Loss 会大 Delay CVR Loss Output IVR 术技 CVR CTR 据数 Expected Delay Full Connection Full Connection 大国 Layers Layers 中 … 18 Concatenate 20 …… Embedding

20 .丰富高效的） TC 广告形式 BD （支持banner、全屏、插屏、会大贴片、原生信息流、术技原生视频、激励视频、据数原生应用墙、积分墙等大国激励视频广告 10余种广告形式。中 18 原生视频广告 20

21 .Playable Ads ） TC BD 1.Reward Video （会大术 2.Playable 技据数 3.Download Page 大国中 18 20

22 .多层次多粒度组合优化） TC BD （会大术个性化模板个性化素材最佳呈现技据数 • 不同类素材的拼接方式 • 动态文案生成 • 筛选最佳模板 • 素材呈现的顺序大 • 动态元素拼接 • 筛选最佳素材国中 18 20

23 .个性化模版生成&素材填充） TC BD 素材拼接基于上下文的动态文案（ • 确定多幅图片呈现的相对位置 • 时间、地点、设备信息会 • 试玩demo、视频、图片、大文字的相对位置术技据呈现顺序 Display Order 数大 • 视频呈现的先后顺序国动态元素拼接 • 视频与试玩demo等其他元素的中 • 引人注目的元素动态拼接到 18 相对顺序图片、视频 20

24 .OCPI - Optimized Cost Per Install ） TC 动态出价 BD 采用Smart Bid的方式，在广告主设定的基础出价上，（根据预估出的pCVR、pCTR以及该单子的实际历史转化率和曝光量，会动态的调整出价，进而优化广告排序结果大术 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝐸𝐸[𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖] + 技 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑒𝑒𝑛𝑛𝑛𝑛𝑛𝑛 = ∗ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜𝑜𝑜 + ∗ 𝑐𝑐𝑐𝑐𝑐𝑐 𝐸𝐸[𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖] + 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝐸𝐸[𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖] + +𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 据数大 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑒𝑒𝑒𝑒 , 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 < 𝐸𝐸[𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝] 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 = 𝑓𝑓 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = � 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜𝑜𝑜 , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 国中 18 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 ∗ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 ∗ 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 20

25 .大媒体智能投放） TC FMP Adset 转化率预估 BD 希望借助于大数据+智能算法帮助优化师找到更优的投放设置，提升投放效果（会大术技据数大国中 18 20

21点赞

8收藏

4下载