第 5 章中介紹了搜索廣告和廣告網絡這兩種最典型的競價廣告産品。在進入這些具體産品的技術之前，我們先來了解一下“競價”這一核心邏輯的具體實現，順便引出此核心邏輯的幾項主要支持技術。

5.2 節中介紹了位置拍賣市場中一些常用的定價策略，包括 GSP、MRP、價格擠壓等，單獨理解這些策略都不困難。在實際的系統中，我們需要将這幾種策略綜合起來執行。以

按 CPC 計價的競價廣告産品中一次廣告展示為例，我們将實際的計價算法用下面的代碼描

述，可以對照表 5.2 來進一步直觀地理解這一完整的定價過程。

1 //In: 2 // cands : 候選廣告 ID 3 // ctrs : 候選廣告預估的點擊率 4 // bids : 候選廣告的出價 5 // MRP : 市場保留價 6 // squash : 價格擠壓因子 7 // slotNum : 要求的廣告條目數 8 //Out: 9 // results : 排序結果 10 // prices : 計價結果 11 void auction(vector<int > & cands, Vec & ctrs, Vec & bids, float MRP, 12 float squash, int slotNum, vector<int> & results, Vec & prices) { 13 int candNum = cands.size(); 14 15 // 按照給定的 squashing 因子調整預估 CTR 16 for (int c = 0; c < candNum ;c ) 17 ctrs[c] = ctrs[c] ^ squash ; 18 19 // 計算調整後的 eCPM 20 Vec eCPMs ; 21 eCPMs.resize(candNum, 1e -10f); 22 for (int c = 0; c < candNum; c ) 23 if (bids[c] >= MRP)// 跳過那些出價小于市場保留價的候選 24 eCPMs[c] = ctrs[c] * bids[c]; 25 26 // 将所有候選按照 eCPM 排序 27 for (int c1 = 0; c1 < candNum; c1 ) 28 for(int c2 = c1 1; c2 < candNum; c2 ) 29 if (eCPMs[c1] < eCPMs[c2]) { 30 SWAP(cands[c1], cands[c2]); 31 SWAP(eCPMs[c1], eCPMs[c2]); 32 SWAP(ctrs[c1], ctrs[c2]); 33 } 34 35 // 得到各競價結果并計算定價 36 results.clear(); prices.clear(); 37 for (int c = 0; c < candNum - 1; r ) { 38 if (eCPMs[c] <= 1e-10f) 39 break; 40 41 // 按照 GSP 計算定價 42 float price = eCPMs[c 1]/ ctrs[c]; 43 if (price < MRP)price = MRP; 44 45 results.push_back(cands[c]); 46 prices.push_back(price); 47 } 48 }

在實際的廣告産品中，還有可能同時存在若幹種計費方式，其 eCPM 估算過程也不同，我們用下面的一小段代碼來說明在各種計費方式并存的情況下完整的 eCPM 計算邏輯。當然，這裡的邏輯比較簡單直覺，有關 CPM 和 CPC 混合競價的拍賣過程與定價機制的探讨，可以進一步查閱參考文獻 。

1 enum BidMode {CPM,CPC, CPS}; 2 3 float calcuECPM( float bid, BidMode mode ) { 4 switch ( mode ) { 5 case CPM: 6 return bid; 7 case CPC: 8 return predictCtr() * bid; 9 case CPC: 10 return predictCtr() * predictClickValue(); 11 } 12 }

從定價過程的輸入可以看出，對于一個 CPC 結算的競價廣告系統，需要先得到廣告候選集合，并計算每個候選的點擊率，這對應競價廣告兩個最關鍵的計算問題，即廣告檢索和廣告排序，這也是本章要讨論的重點技術問題。

這個目标相對簡單清晰：對每次展示的各個候選，根據查詢估計其點擊率µ，并乘以廣告主出的點擊單價得到eCPM，再按此排序即可。而在eCPM的估計過程中，根據上下文即用戶輸入的查詢來決策。

搜索廣告是競價廣告中最典型的系統之一，它與一般廣告網絡最主要的區别是上下文信息非常強，用戶标簽的作用受到很大的限制。因此，搜索廣告的檢索過程，一般都不考慮用戶 u 的影響，而上下文信息 c，即查詢，又是實時通過用戶輸入獲得，因而離線受衆定向的過程基本可以被省略。在這樣的應用場景下，搜索廣告的系統架構如圖 13-1 所示，它與一般的競價廣告系統架構上的主要區别是沒有上下文和用戶标簽的緩存，但是其檢索模塊由于查詢擴展的需求，會比一般的競價廣告系統要複雜，并且在排序後的收益優化階段還需要進行北區和東區的廣告放置決策。

搜索廣告算法上最關鍵的技術是點擊率預測，這一點會在後面專門讨論。除此之外，搜索廣告還有一個技術上的重點，那就是查詢詞的擴展，即如何對簡短的上下文信息做有效的拓展，由于搜索廣告的變現水平高，這樣的精細加工是值得而且有效的。

2.1　查詢擴展

搜索廣告中查詢的重要性極高，粒度又非常細，如何根據廣告主需求對關鍵詞進行合理的拓展對于需求方和供給方來說都有很大意義：需求方需要通過擴展關鍵詞獲得更多流量；供給方則需要借此來變現更多流量和提高競價的激烈程度。因此，查詢擴展（query expansion）是搜索廣告的重要技術，它主要用于 5.1.3 節中介紹的廣泛匹配情形下。搜索廣告的查詢擴展與搜索中的查詢擴展既有相通之處，又有一些顯著的區别。相關的方法很多但這裡隻介紹 3 種主要的思路。

1．基于推薦的方法

如果把用戶一個會話（session）内的查詢視為目的相同的一組活動，可以在 {session, query} 矩陣上通過推薦技術來産生相關的關鍵詞。這種方法利用的是搜索的日志數據，而基本上個性化推薦領域的各種思路和方法都可以适用。下面以查詢擴展的問題為例介紹一下推薦技術的基本問題。

顯然，這個矩陣中大多數單元都是空白，但這并不意味着用戶搜索該詞的可能性為零。而推薦的基本任務就是根據這個矩陣中已知的元素值，去盡可能預測性地填充那些曆史上沒有觀測到的單元。類似的場景除了搜索，還廣泛出現在各種互聯網應用當中，如商品的浏覽或購買記錄以及在線電影的打分記錄，都可以抽象出類似的交互強度矩陣以及相應的推薦問題。這樣根據群體用戶的選擇關聯性進行推薦的問題也被稱為協同過濾（Collaborative Filtering，CF）問題。

基于協同過濾的推薦問題有非常多的算法，它們可以分為基于内存的非參數化的方法和基于模型的參數化方法。後者是用維數較低的空間概要性地刻畫交互矩陣，然後根據該空間的生成參數恢複矩陣裡未知的值。這種将空間降維的思路與文檔主題模型乍看起來很相似，不過問題本身還是有明确的區别：在推薦問題中，應該把那些未觀測到的交互單元視為未知，而在文檔主題模型中，合理的方法是認為未在某文檔中出現的詞交互強度為 0。關于推薦算法的綜述，可以查閱參考文獻 [75, 90] 等，這裡不再詳述。

3．基于曆史效果的方法

對搜索廣告而言，還有一類查詢擴展方法很重要，那就是利用廣告本身的曆史 eCPM數據來挖掘變現效果較好的相關查詢。由于在廣告主選擇競價的關鍵詞時，一般來說都會選擇多組，如果從曆史數據中發現，某些關鍵詞對某些特定廣告主的 eCPM 較高，那麼應該将這些效果較好的查詢組記錄下來，以後當另一個廣告主也選擇了其中的某個關鍵詞時，可以根據這些曆史記錄，自動地擴展出其他 效果較好的查詢。

雖然這種方法得到的擴展結果經常會與前兩種方法得到的結果相重合，但是由于這種方法直接使用廣告的優化目标，即 eCPM 來指導查詢擴展，往往能夠成為前兩種方法非常重要的補充手段，而且對營收産生的效果往往還要好于前面的兩種方法。

2.2　廣告放置

如 5.1.3 節中讨論的，廣告放置指的是搜索引擎廣告中确定北區和東區廣告條數的問題。考慮到用戶體驗，需要對北區廣告的數量進行限制，因此，這是一個典型的帶約束優化的問題。其中的約束是系統在一段時間内整體的北區廣告條數，而優化的目标則是搜索廣告系統的整體營收。在進行廣告放置之前的排序過程中，比較的都是單條廣告的 eCPM，不過此處的優化需要處理一組廣告，并且需要考慮位置因素，此問題可以表達如下：

搜索廣告雖然不宜進行深入的個性化，但在廣告放置問題上存在着很大的個性化空間。不同用戶對于廣告接受和容忍的程度有着很大的不同，實際上，即使在北美市場這樣的用戶受教育水平較高的市場上，也至少有三四成的用戶不能完全分辨搜索結果和廣告。因此，對不同的用戶動态調整北區的條目數，可以使得在北區平均廣告數目相同的約束下，整體系統的營收有顯著的提高。在考慮單個用戶的廣告接受程度後，我們可以對式（13.3）中的收入作個性化的調整。例如，對于北區的一個廣告展示，改成下面的形式：

以上内容摘選自《計算廣告 互聯網商業變現的市場與技術》 第2版

《計算廣告 互聯網商業變現的市場與技術》 第2版

編輯推薦：

适讀人群 ：無論是互聯網公司商業化部門的産品技術人員，還是對個性化系統、大數據變現或交易有興趣的産品技術人員，傳統企業互聯網化進程的決策者，傳統廣告業務的從業者，互聯網創業者，計算機相關專業研究生，都會從閱讀本書中受益匪淺。

本書第 1版出版以後，獲得的業界反響超乎了我們的想象。實際上，本書已經廣泛被互聯網公司采用，作為商業化相關部門的培訓教程，甚至還成了某大公司商業化部門年會時的”陽光普照獎”獎品。

經過一段時間的補充與修訂，我們向讀者奉上這次的新版，希望本書能幫助讀者深入了解互聯網流量與數據變現，洞察互聯網增長與财富的秘密，搭建商業化與獲客的産品技術體系。

對以下讀者，我們相信本書值得一讀：

• 互聯網公司的商業化、大數據和用戶增長部門的朋友；
• 傳統廣告與數字廣告從業者；
• 對推薦、大數據、人工智能技術的應用有興趣者；
• 轉型中的傳統企業和創業公司的戰略決策者；
• 計算機相關專業學生。

在新版中，我們特别注重了從人工智能方法論的視角審視整個計算廣告體系。通過本書對計算廣告領域抽絲剝繭的解讀，讀者會認識到，除解決傳統的感知和認知問題以外，人工智能領域形成的方法體系在廣告這樣的海量數據驅動且人類自身能力不強的問題上，有着巨大的施展空間。

内容簡介

計算廣告是一項新興的研究課題，它涉及大規模搜索和文本分析、信息獲取、統計模型、機器學習、分類、優化以及微觀經濟學等諸多領域的知識。本書從實踐出發，系統地介紹計算廣告的産品、問題、系統和算法，并且從工業界的視角對這一領域進行具體技術的深入剖析。

本書立足于廣告市場的根本問題，從計算廣告各個階段所遇到的市場挑戰出發，以廣告系統業務形态的需求和變化為主線，依次介紹合約廣告系統、競價廣告系統、程序化交易市場等重要課題，并對計算廣告涉及的關鍵技術和算法做深入的探讨，這一版中更是加入了深度學習的基礎方法論及其在計算廣告中的應用。

無論是互聯網公司商業化部門的産品技術人員，還是對個性化系統、大數據變現或交易有興趣的産品技術人員，傳統企業互聯網化進程的決策者，傳統廣告業務的從業者，互聯網創業者，計算機相關專業研究生，都會從閱讀本書中受益匪淺。

作者簡介

劉鵬（@北冥乘海生），現任科大訊飛副總裁，大數據研究院院長。他在清華大學獲得博士學位後，加入微軟亞洲研究院，從事人工智能研究，後參與創建雅虎北京研究院，出任高級科學家。他還曾任MediaV首席科學家a、360商業化首席架構師等職。在多年從業經曆中，他一直緻力于将人工智能方法與海量數據相結合來解決工業界問題，負責過多個大型互聯網商業産品體系。

他特别重視計算廣告和大數據技術的普及，他講授的“計算廣告”在網易雲課堂有超過3萬名學生，已經成為業界進行相關培訓的基礎教程。他還曾擔任北京大學、中國傳媒大學等高校客座教授，講授計算廣告相關課程，為推動中國廣告産業的數字化、智能化做出了貢獻。

王超（@德川），于北京大學獲得碩士學位後，曾就職于微博、汽車之家等公司的廣告部門，從事計算廣告領域的研究和實踐工作。現任百度主任研發架構師，從事個性化推薦領域相關的工作。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!