计算广告与推荐系统有哪些区别？

作者：王喆/宋一松

链接：https://www.zhihu.com/
question/19662693

编辑：深度传送门

这是个好问题，但两年前看到这个问题的时候还不太敢回答，总觉得对于两块业务理解的还不够，今天尝试着答一下。

我工作后最开始四年是做计算广告算法和系统的，最近两年逐渐转到推荐系统领域。感觉这两个领域的联系大于区别，区别的根本在于两个领域尝试解决的问题是不同的。

• 对于计算广告来说，本质上要处理的是三方利益的协调问题，这三方分别是广告主、用户和媒体。

• 对于推荐系统来说，本质上要处理的是用户体验的问题。

正是因为要处理问题的不同，导致了两个领域思考方式的不同。比如同样是构建一个CTR模型：

• 对于计算广告系统来说，站的角度更多的是用这个CTR模型产生更多的收益，那么在使用的时候就更偏向于将CTR高的广告全都排在前面。

• 而对于推荐系统来说，在使用CTR模型的时候，就不适宜全部按照CTR来进行内容排序。而是要兼顾内容的多样性，新颖性，和流行度。因为推荐系统的核心是用户体验，如果涸泽而渔的全部用根据用户行为历史生成的推荐内容，很容易让用户疲倦、透支用户的兴趣。那么为了照顾用户的整体体验并挖掘用户的长期兴趣，就要考虑用户在不同体验阶段的感受和行为特点。

再回到计算广告，由于广告系统处理的是一个三方利益的协调问题，那么为了“协调”，就诞生了很多相关且必要的技术。比如，“协调”的本质其实一种博弈方式，广告主和媒体关于价格的博弈，广告主之间的价格博弈，正是这种博弈的存在，使得计算广告一定要去关注基于博弈论的bidding策略。而且为了“协调”广告主、媒体的相关操作，诞生了支持性的相应模块，去处理广告排期、定向、预算控制等模块，这里面当然涉及大量算法和模型，比如处理广告排期需要最优化理论的支持，定向需要各类预测模型，预算控制需要控制论的一些知识等等。这些都是推荐系统里不存在的。

如果列举出两个领域重点要考虑的技术问题，大家也能体会到二者的不同（排名大致分先后）：

• 计算广告：CTR模型，Bidding策略，yield optimization（也许可以叫排期优化），智能预算控制

• 推荐系统：CTR模型及其他推荐模型，探索与利用（exploitation&exploration），冷启动问题，数据有偏问题

当然，具体的技术问题这里肯定会有遗漏，但大家肯定也能感觉出来计算广告问题涉及的方向更广、需要各模块相互配合，协调；而推荐系统则涉及的问题更细，需要把所有技术都糅合在最终的推荐列表中，但要同时照顾多方面的体验。

最后谈一下作为“计算广告算法工程师”和“推荐系统算法工程师”的区别。

我的答案是没有区别，都是那种领域知识学到死，业界更新快到飞，时刻游走在被淘汰和马上被淘汰边缘的职业体验。。。共勉。

https://www.zhihu.com/

question/19662693/answer/60506017

在Facebook工作的时候做的是newsfeed ranking （新鲜事排序），算是一种推荐系统吧，而且newsfeed中也包含了广告（Feed Ads）。说说我的理解。

结论：推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术，广告是一项业务。个性化推荐可以用在广告中，更可以用在别的产品层面。同时，个性化推荐只是计算广告的一个环节，一个完整的广告系统还需要其他很多重要的技术组件。

0. 个性化推荐在广告之外的很多产品层面都有应用
几个常见的应用领域：

• 有机内容(organic content)的筛选与排序: Facebook，知乎，今日头条的新鲜事都是个性化排序的结果。Spotify也是类似的例子。个性化推荐做的好不好直接影响产品的活跃度(engagement)和存留(retention)。

• 一些Growth Hack也极为依赖个性化推荐的质量：最为常见的例子就是Facebook/知乎上“你可能认识/感兴趣的人”。关注的人越多质量越好，用户存留的可能性就越大。

• Amazon和Netflix的推荐购买/观看：这个就比较接近广告了。

1. 广告系统也不仅仅只有个性化推荐
一个完整的广告系统，从广告商投放广告到用户看到广告，需要以下几个重要组件：

• [面向广告商的工具] 广告商可以根据自己的需要定制投放人群：年龄，性别，地理位置，职业，兴趣等等。

• [算法] 个性化推荐：在众多符合条件的广告中选择最合适的一个。
  

• [算法] 决定在哪里放广告：这在以前其实不是个事，因为就几个能放广告的固定位置（banner，页面右侧）。然而随着Facebook发明了Feed Ads，在新鲜事里放原生广告成了社交类产品的标配。以微信为例，在朋友圈里的第几个位置放广告其实是个挺有学问的事。放高了影响用户正常体验，放低了没人看得到。这大该就是微信口中的“实时社交混排算法”吧。

• [算法] 定价：放的这个广告该跟广告商要多少钱。这受很多因素影响：放的位置高低，有多少个其他广告一起竞价，等等。

所以，个性化推荐只是整个广告流程的一个小部分。不过，好的个性化推荐可以提高广告的点击率，从而增加产品营收。

2. 个性化推荐不一定非要是机器学习
很多人把个性化推荐等同于机器学习，甚至deep learning。这在严格意义上其实是不准确的。个性化推荐本质上是一组算法。这些算法可以是基于机器学习的，也可以是基于其他信号或者策略。比如说：

• Amazon和Netflix最早的推荐系统就是item-item的算法。本质上是基于用户评价计算任何两件商品的相似度，生成一个巨大的二维矩阵。很难说这是机器学习。

• Facebook最早的新鲜事排序就是基于一些人工制定的规则，表现也挺不错，以至于基于机器学习的实现在很久之后才在A/B test中击败人工规则。

• Pandora的曲库是人工打标签，基于此生成个性化推荐。连机器都没怎么用。

不过广告系统中的个性化推荐一般都是机器学习，Supervise learning对广告这方面有极为成熟的方案。