标签：das   精确   建立   形式   nba   比较   mda   隐式   匹配   

一、场景：

例子1：浏览一个做菜的网站，旁边有一个相关的图片广告-------上下文定向

例子2：浏览一个小说网站，旁边又有一个做菜的图片广告-------行为定向

二、上下文定向：

根据投放页面的内容，推送相关的广告。

1、内容提供商自定义：

　　DSP预先人工定义一些网页的类型标签（“科技”、“文学”）。

　　SSP自己从中选择自己网页属于的类型。

　　投放时，根据这些人工选定的类型标签推送广告。

　　广告库中的广告则按照竞价词进行索引。

　　因此，需要通过建立类型标签与竞价词的相似度联系，才能在检索到广告。

2、页面关键字提取：

　　需要爬虫抽取网页中的内容，进行一定的内容分析，从中抽取可以精确匹配（模糊匹配）上的竞价词，然后再到广告库中检索广告。

3、网页聚类：

　　同样需要使用爬虫抽取网页中的内容，然后对网页库进行文本聚类。然后汇总同一聚簇下的网页内容，匹配竞价词。

三、受众定向：

1、概念：

给当前的用户流量打标签的过程。标签的形式可以是“体育——NBA”，“连衣裙——雪纺连衣裙”等，用于区分用户的兴趣点。

展示广告中，会显式或隐式的使用到这些用户标签。

显式应用标签：按照标签售卖流量，广告主可以按照人群的标签进行加价。例如，广告主的产品主要是女装，就可以对女性用户进行加价，在这一人群上争取更多的流量。

隐式应用标签：并不按照用户标签显式售卖流量，但是在系统会按照用户标签和广告的匹配程度，动态的分配流量，提高广告系统的点击率。

2、受众定向的方法：用户背景资料调查和行为定向。

（1）用户背景资料调查：

用户使用系统时，系统让用户提供的各种自身信息，如性别、年龄、学历等，

可以单独用来作为显式流量售卖，

也可以用来后续的CTR预估模型中，作为重要特征提高精度。

但这种背景信息难以定位用户对于某一类广告的偏好。如，26岁的女性是否喜欢体育。

（2）行为定向：

根据用户的历史行为，给其打上兴趣点标签。

涉及的行为包括搜索的关键字，在特定类目内容上的点击、浏览行为等。

行为定向的方法可以分为：监督的行为定向算法和非监督的算法。

①监督的行为定向：

　　使用预先定义好的兴趣点，这些兴趣点的定义跟系统中已有的广告类型有关。

　　用户对于某个兴趣点的兴趣值可通过用户对该类型的预估CTR来表达。【CTR = click/show】

②非监督的行为定向：

将用户进行向量化表示，比较常见的表达方式：

基于item的向量表达法【多用于电子商务的广告系统】，根据用户的历史浏览、点击、购买等行为日志，将用户表示成item的向量。

基于query的向量表示法【多用于搜索引擎的广告系统】，根据用户的历史query进行分词，同义词归一化等操作后，将用户表示成词的向量。

向量化后，可以将用户按照其历史行为进行聚类。

聚类完成后，就可以汇总统计同类用户对广告的CTR，选择CTR高的广告投放给用户。

计算广告（2）----定向广告

标签：das   精确   建立   形式   nba   比较   mda   隐式   匹配   

原文地址：https://www.cnblogs.com/Lee-yl/p/11058374.html