本文探讨了机器学习如何在广告领域发挥作用，重点介绍了广告排序、上下文理解、lookalike人群扩展和标签定向四个关键环节。广告排序依赖于机器学习进行最优排序，涉及出价、上下文匹配和CTR预估；上下文理解则涉及环境因素与广告的匹配度计算；lookalike人群扩展利用机器学习寻找类似高转化用户；标签定向则通过机器学习进行超多分类的判别模型构建，以实现精准广告推送。此外，异常分析在反作弊中应用机器学习进行分类，应对不平衡的样本分布问题。
本文来自OPPO互联网技术团队，如需要转载，请注明出处及作者。欢迎关注我们的公众号：OPPO_tech
按：本文主要介绍了广告场景中的机器学习应用场景，以及不同场景下对于算法要求的不同，可以作为了解算法在广告产生作用的入门文章。
在整个广告流程中，数据起着至关重要的作用，但最终数据的价值最大化，核心还是依赖于算法在各个关键流程里的作用。
我们先来看看机器学习在整个广告流程里，到底可以做些什么事，然后再讲后续我们的规划逻辑需要进一步去学习什么，了解什么。
广告的排序
在广告技术的架构中，其中非常重要的一环就是广告的排序。所以，说到算法在广告中的应用，第一个能想到的就是通过机器学习做到广告的最优排序。
广告排序逻辑上会涉及到几个因素：出价、上下文匹配、CTR预估。这本身就是一个多元素组合最优排序的问题，里头CTR预估又是广告领域里头最核心需要解决的问题。
因为很多广告系统里，可能做不到上下文理解，出价逻辑也可以做的稍微粗糙一点，但是对于CTR预估，都是重中之重，首先需要解决的问题。CTR预估本质上就是对于候选曝光用户，针对于每个广告候选池做点击概率的预估计算。所以是一个非常典型的偏回归的问题。
上下文理解
延续上面的话题，上下文理解又或者说上下文的匹配。简单来讲就是，计算环境因素与广告因素的匹配度的问题，或者说相关度的计算。当然，匹配度只是解决上下文理解的一种
最低0.47元/天 解锁文章
3134
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
