2021-05-13

在广告投放中经常出现的地域gap问题是怎么了?
在群里面经常会遇到这样子的问题,第一个就是在投放的过程中,我明明投放的地域中没有北京,为什么最后在看报表的时候有北京的曝光点击呢?第二个是在媒体平台上投放的地域中没有北京,但是在接入的第三方监测平台中就出现了北京地域的曝光点击呢?这两个问题的答案其实不太一样。
在这里插入图片描述

首先我们来说第一个问题,我们投放时候经常由于业务需求,会对投放地域进行限制,而在媒体的流量请求中,是会根据广告主的实际地域设置来筛选流量的,会过滤掉不在设置范围内的流量,具体的流量过滤方面的知识可以参考我之前的一篇文章,但是由于我们投放过程中流量的请求是实时的,过滤也是实时的,但是在最后报表中是按照统计来进行的,这就造成了对于同一个流量请求,可能存在的地域gap问题,比如一个人他9点在河北,但是10点在北京,我们在投放过程中可能对该用户投放了广告,但是在统计时候用了新的状态信息,就会将其统计进来,也就是我们经常看到的问题,这是由于实时性和统计性导致的,这个实时性和统计性的问题在广告投放中是经常出现的,也是难以避免的。
在这里插入图片描述

但是在第二个问题中,和上面的第一个问题的答案是不一样的,这主要是受到了运营商的策略路由影响的,也就是我们经常说的“IP随机漂移”,策略路由主要有两种,一个叫做固定策略路由,另外一个叫做随机策略路由,换句话说,就是由于我们的广告在请求时,向媒体和第三方监测平台分别的请求是两个独立的请求,这就导致了可能这两个请求是携带了不同的IP地址,由此导致的第三方监测平台看到的地域数据和媒体后台看到的地域数据存在差异,这是很难解决的一个问题。当然也存在一些解决方法,比如同源机房策略,但是由于实际执行成本过高,大大超过了可获得的收益,也很少有公司会有动力去做这件事情,当然如果媒体方收购了第三方监测平台的话就另说了。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值