计算广告核心问题和挑战

• 广告中的计算问题

   – Find the best match between a   given user u, in

     a given context c, and a suitable ad a.

                           T

               max a ∑i=1 ROI(ai, ui, ci )

  

 • 从优化角度来看• 从系统角度来看

   – 特征提取：受众定向– 候选查询：实时索引

    – 微观优化：CTR预测– 特征存储：No-sql技术 

   – 宏观优化：竞价市场机制– 离线学习：Hadoop

   – 受限优化：在线分配– 在线学习：流计算

   – 强化学习：探索与利用– 交易市场：实时竞价 

   – 个性化重定向：推荐技术，广告包括推荐技术，一般意义上的推荐是同类事物，并且 "Downstream" 。

 

在线广告计算的主要挑战1

  

 • 大规模 (Scale)

 

   – 百万量级的页面，十亿量级的用户，需要被分析处理

   – 高并发在线投放系统 (例: Rightmedia每天处理百亿次广告交易)

    – Latency的严格要求 (例: ad exchange要求竞价在100ms内返回)

 

 • 动态性 (Dynamics)

   – 用户的关注和购物兴趣非常快速地变化

 

 • 丰富的查询信息 (Rich query)

    – 需要把用户和上下文中多样的信号一起用于检索广告候选

 

 • 探索与发现 (Explore & exploit)

  – 用户反馈数据局限于在以往投放中出现过的(a, u, c)组合，需要主

     动探索未观察到的领域，以提高模型正确性