每天点击数以内的极小量渠道，如何精准地投放游戏广告？.docxVIP

每天点击数100以内的微小量渠道，如何精准地投放玩耍广告？ 1.1 ? ?为什么要有精准投放算法 - 先知 随着公司玩耍业务的进展，传统的搜索技术已经不能满足用户对玩耍发觉的需求，缘由有多种，首先用户很难用合适的关键词来描述想要玩的玩耍，其次用户的爱好和喜好在不断变化和更新，再者用户无法对本人未知而又可能感爱好的玩耍做出描述。推举系统的消灭可以帮用户猎取更丰富，更符合个人爱好的玩耍。 在流量格外紧缺的互联网上，用户直面的并不是玩耍本身，而是一条条广告素材，广告素材是经过美术定制加工在广告投放时播放的视频，Flash 或者呈现的图片等。共性化推举会依据用户爱好和行为特点，向用户推举所需的玩耍素材，挂念用户在海量信息中快速发觉真正所需的玩耍，提高用户黏性，促进素材背后玩耍的注册和收入。 在广告市场，以参与者划分可以分成平台方和买量方，与诸如淘宝直通车，腾讯广点通，微博粉丝通这类平台上广告系统不同，买量方做广告效果的优化存在以下特点： （1）渠道流量小，特殊渠道流量微小。公司的买量渠道品种众多，投放渠道近百个，流量大小不一，统计每天点击数在 100 以内的渠道广告方案量占比 65%。数据集的稀疏度应当在十万分之一或以下的量级，特征中有效信息（非 0 值）的维度很低，其中包含的噪声会对真实信息干扰很大．使得绝大部分基于关联分析的算法（譬如协同过滤）以及 CTR 预估效果都不好。这个问题本质上是无法完全克服的。因而对于这些微小量渠道的玩耍广告精准投放算法需求格外迫切。 （2）买量方对于用户爱好和行为特点的信息了解甚少，虽然与部分平台的合作能够拿到肯定维度的属性数据，但是总体上大部分长尾渠道信息是格外少的，这样形成了用户属性的缺失，并且点击广告的很多均为新用户，考虑到冷启动问题。标签系统供应了处理冷启动问题的可能方案。由于标签既可以看作是素材内容的萃取，同时也反映了用户的共性化喜好。 综合以上实际情况的考虑：用于处理微小量渠道的，基于标签的精准投放算法 - 先知应运而生。 2 算法原理 2.1 ? ?算法概述 推举系统的目的是联系用户的爱好和素材，这种联系方式需要依靠不同的媒介。目前流行的推举系统基本上是通过三种方式联系用户爱好和物品： 图 2-1 推举系统联系用户和素材的几种途径 考虑到数据稀疏性，协同过滤方式效果不好。因而考虑第三种方式：通过一些特征联系用户和素材，给用户推举那些具有用户宠爱的特征的素材，这里的特征有不同的表现方式，比如可以表现为物品的属性集合，也可以表现为隐语义向量，而下面我们要争辩的是一种重要的特征表现方式——标签。 2.2 ? ?什么是素材标签 在美术做完一个素材后，会给素材打上对应标签，标签内容如下： 图 2-2 素材人工标签 经过标签层级处理，并且标签变量 0-1 处理后得到每个素材的标签： 进行哑变量处理得到素材标签矩阵 T： 表2-1 哑变量处理后的素材标签矩阵 素材ID 标签1 标签2 标签3 标签4 标签5 … 标签n ad_1 1 1 1 0 0 … … ad_2 1 0 0 1 1 … … ad_3 0 1 1 0 1 … … 2.3 ? ?什么是用户标签 在用户恳求广告数据时，我们可以通过恳求时间以及用户 Cookie 得到用户属性数据，经过正则化解析后得到用户属性矩阵 A： 表2-2 用户标签矩阵 用户ID 时间 地区 扫瞄器 操作系统 关键词 user_1 1 1 1 0 0 user_2 1 0 0 1 1 user_3 0 1 1 0 1 2.4 ? ?如何生成标签点击率 模型依据历史数据中用户的恳求，素材加载，素材点击等行为动身，最终定位用户的爱好标签，考虑用户属性，时间衰减等因素，计算出每个属性下的标签点击率矩阵 C。流程如下所示： 图 2-3 标签点击率生成流程图 2.5 ? ?如何依据标签点击率进行推举 当一个用户发生广告恳求时，该广告所在的方案有 M[C1，C2，，，Cm] 种素材，依据用户属性 A[time，local，browser，OS，UID]，以及 2.3 生成的标签点击率矩阵 C，得到 M 个素材的推举值： 对该方案下 M 个素材的在各个属性的评分进行加权： 对该方案下属性 A 的用户的恳求，推举 M 个素材中 R_m 值最大的那个素材。 2.6 算法全体流程 全体流程图如下： (1) 离线计算：依据广告恳求 - 点击历史数据，对于每个渠道方案，每隔一小时离线计算每个属性下的标签点击率矩阵 C。 (2) 在线计算：在线引擎需要依据当前恳求用户属性 A，去读取相应特征数据，进行计算得到每个素材推举值矩阵 R_m。 (3) 广告投放引擎：广告投放引擎前往 R_m 排序后的最佳素材给 web 服务器，最终显示给用户。 图 2-4 算法全体流程 3 算法优化 3.1 ? ?