数据与广告系列十四：智能定向&基于FM的标签组合推荐思路

作者|黄崇远（题图：ssyer.com，CCO协议）  公号，数据虫巢(ID: blogchong)

01 前言

上一篇是《数据与广告系列十三：广告中的异常预测问题(PU学习&CostSensitiveClassification) 》，时间是2019年10月18号，现在都2020年了。时隔2个多月，我们又继续回来继续这个系列。

在上一篇里，我们从广告场景中的异常预测问题出发，但实际上重点是解决样本不平衡和典型正样本敏感的问题。

包括本篇，甚至后续的一些文章，我们都将以类似的模式阐述下去，结合广告的一些业务场景，一边来学习广告的实际业务，一边来学习算法的一些内容，算法和业务相结合，以便于关注“数据虫巢”公众号的朋友能够更加了解广告业务，广告业务中使用的一些技术，以及一些机器学习相关的知识。

而这一篇的核心相关内容将围绕两个方向：一个是广告场景中的智能定向问题，以及智能定向实际要解决的技术难点；第二个是基于FM算法模型的解决思路。其中一部分是业务场景，另一部分是FM相关，以及算法模型与实际广告业务的结合。

02 广告中的定向问题

在在线效果广告中，早些时候，常规的投放方式为，广告主在广告营销平台创建广告，上传素材，然后为广告创建定向，然后设置出价，最终将广告投放出去。而这其中，最重要的一个点就是定向的创建。

所谓定向的创建，通俗点说就是构建投放的人群选择条件，比如，一些基于人口统计学基础的定向：年龄，性别，甚至是一些工作状态，婚恋状态，财产状态等等。如下图，以腾讯广点通为例。

对于用户基础定向标签来说，部分比较容易获得，比如基于用户填写的资料，上传的证件之类的，特别是对于腾讯来说，太多场景可以拿到有效的基础属性数据，但对于其他的一些广告平台来说就不一定的，这就是之前说到的，可能需要基于部分明确的数据，构建模型进行补充预测，详细见《数据与广告系列十一：从性别预测的CASE开始手撕机器学习代码》，这里就不多说。

整体而言，基础定向基本上算是广告平台的最基本的支持能力，在定向里，更重要的是对于用户复杂行为，或者说兴趣的定向描述，这些东西对于广告投放来说可能会更有用。

举个例子，我需要投放一个理财的APP产品，那么对于时常关注财经新闻的人是不是更有转化效果呢，对于一些游戏来说，找对口行为的兴趣人群是不是更有效呢？还是以腾讯的广点通为例，看下图。

在这个维度上，广点通提供了两个维度的定向标签，一个是兴趣，即选择长期对某类事情有兴趣的用户；第二个是行为，选择特定场景有特定行为的用户。其实可以看的出来，两个维度的偏重有所不同，一个是侧重于用户兴趣描述，偏长期的行为兴趣的刻画；另一个是侧重于用户做了什么事具有什么特定行为，这种行为可能不是兴趣，因为可能事需求驱动。

这个地方是广告主最喜欢的地方，因为他可以根据广告内容，结合兴趣或者行为标签定向，对中意的用户进行精挑细选，来确保自己广告的高效转化。

但是，任何事情都有其局限性，当年的定向条件越精准时，必定其对应人群就越少（见右上角的对应条件人群预估，条件越多人群越少，关于人群预估的话题，找个时间再聊），而部分高价值的人群是众多广告主所抢夺的。

怎么抢夺？控制出价呗。但一旦出价过高，广告是需要追求ROI（投入产出比）的，就会出现亏损。另外一个问题就是，一旦这部分人群的竞争充分时，单个广告主所能拿到的曝光就必然不多，就无法满足其投放量的诉求。

怎么解决这个问题？扩大定向范围是一种方式，但是每个广告主对于平台上的人群的熟悉度是不同的，对于放宽定向，特别是没有经过测试的人群，极有可能导致投放效果的大幅下降，虽然可能整体曝光能有所上升，以及整体广告的CPC可能下降，但这个风险是相对不可控的。

目前有两个思路来解决，第一个是OCPX的能力提供。所谓OCPX，以OCPD为例，当你的广告投放一段时间之后，系统累积了部分你的Download(比如APP的下载)数据，即拿到了部分正向样本，然后模型通过已有的数据进行CTR（点击率）和CVR（转化率，以下载计算）预测，然后把部分竞争力低（即出价竞争不充分）但对应预测转化率又高的人群提供给你。

这样基本上让长尾流量得到了充分的利用，另一方面又一定程度上保证了效果，平台和广告主双赢，平台流量得到了更充分的利用。关于OCPC更具体的就不在这里阐述了，有时间开单篇讲。

另一种思路就是系统帮助广告主扩大定向，以解决人对于定向体系不熟悉的问题&#