计算广告与数据[四]展示广告之定向

       接上篇，GD定义里的最后一个问题是定向。定向是帮助解决计算广告的核心问题（在给定的上下文和广告的情况下找到最合适用户）的途径。

       定向广告的第一个问题是用户偏好的挖掘，也就是给用户打标签。偏好的挖掘是基于几类的用户数据：一部分是用户的静态属性的信息，例如姓名性别出生年月注册兴趣等等，这类数据是由用户主动提供的，后续训练修正。还有大量的用户行为数据，这些行为数据根据行为中的信息价值排序，由高到底分别为：交易数据、交易前的行为数据（如商品浏览、收藏等）、广告点击行为数据、搜索和结果的点击数据、社交行为数据、浏览行为数据。其中广告和商品的浏览和点击数据中，可以从建立广告或商品本身的标签体系映射到用户标签上。同样，也可以通过建立浏览行为所在上下文达到目的。

       建立好AUC的标签体系后，接下来就是选择受众，为一个广告找到最佳的受众。这里的选择策略一般是由广告主来选择，而且选择不同的标签可能会有不同的定价或溢价。所以说，标签体系也是面向广告主的售卖体系。

       不同的定向方式的技术、数据和影响的广告传播的阶段也有所不同，效果也不尽相同。

• 人口属性定向：主要依赖用户的静态属性信息产生的标签，如男女、年龄等。这种定向主要是为了符合用户的兴趣和要求，但是由于目标太不明确，单独使用的效果并不好，一般是与其他定向标签组合。
• 地理位置定向：这其中包括两部分，传统的地域标签，可以通过浏览数据中采集的IP信息，得到对应的地域（省、市），单纯的地域定向同样效果并不好。但是在移动端，通过GPS数据采集得到的精准的当前位置数据，却可以很大程度的满足用户当前的兴趣和要求，hyper-local定向在移动广告的效果是不错的。
• 行为定向：行为定向可以分为对用户意图和对用户兴趣的定向。意图是短期的、具体的、商业意图明显的。而兴趣是长期、广泛且较为大众化的。两者用到的数据源都是上文中提到的几类行为数据。但意图要求的数据实时性更高，采取准实时流式处理，且需要建立规则和模型来限定一个会话或在购买意图的范围。长期兴趣需要大量的历史数据训练，一般是采用批量离线处理的架构。实时意图一般准确性很高，但是覆盖的用户量很少，而另一个极端是仅适用静态的AUC的类别信息进行匹配，这样做覆盖率最高，但覆盖率低。
• 社会化定向：主要利用社交网络信息为用户定向。可以用已掌握数据的样本人群出发，利用社交网络信息辐射到look-alike的未知人群的定向。
• 上下文定向：实时的根据所访问页面的标签关键词等信息，匹配广告。利用爬虫等手段，爬取上下文页面，抽取关键词信息，建立在线cache服务，映射url到关键词。完全根据所用户的访问上下文，推送定向广告