广告业务梳理

广告业务梳理（持续更新）

（一）搜索广告

I. 召回

1. query改写

1） KWE抽取，有效识别中心词

2)   词库梳理，同义词、颜色词、数量词等

3）无意义词识别，自动丢弃（termweight）

2. 匹配

1） 精准匹配，query与购买词完全相同

2） 全文匹配，query与商品标题文本完全包含关系

3） 扩展匹配，query与购买词、文本标题的中心词匹配（通常增加类目匹配保证相关性）

4） 类目匹配，query所属类目与商品类目匹配

5） 虚拟匹配，离线计算match对相关性，做剪枝后online阶段直接召回

3. 相关性计算

1） query类目预测，通常的做法是top query人工标注，中长尾query机器学习，可通过query搜索结果下热门点击商品的类目进行标注

2)   商品类目判断，通常平台反作弊严格，不需要再对商品进行类目判断

3） 计算相关性，一整套规则，通常会涉及KWE、类目、文本、topic几部分，可以离线计算相关性，如上虚拟匹配部分，离线对query和商品库剪枝后用笛卡尔积计算相关性

II. 排序

1. ectr

1） 物料维度：广告主、行业、物料历史信息等

2） 用户维度：自然属性、兴趣标签、浏览点击事件行为

3） 流量维度：媒体、板块、页面

2. 出价

1） cpc

2） cpm

3）ocpc

核心价值是解决流量的重新定价和分配问题

cpc的模式下，广告引擎按ectr*bid排序，影响流量分配的主要参数是ectr，但对于效果类广告而言，ctr到cvr有很大gap，纯粹的优化ctr并不能帮助广告主（花更少的钱）拿到更好的效果，这个时候按照ecvr*bid排序对广告主更友好。

既然是流量重新定价，就要区分每个流量的价值，流量的价格区间介于[0.1,客户转化成本上限]之间，每个流量针对每个客户有一个weight。

流量的背后是用户，用户在媒体上带有特征，除了对广告的敏感度（是否愿意点击/下载/形成转化）、基于历史行为打上的兴趣标签、自然属性等，还有行为本身、页面板块等区别，对广告不敏感、有游戏兴趣、男性、历史搜索过光荣使命的用户及流量，对角色扮演类手游广告主的价值就远大于其他类型，出价可以很高。

影响出价的另一个因素是物料，物料背后是广告主，广告主的行业、级别（电商媒体关注规模和质量度等）、物料历史点击率等，都直接影响物料的cvr初始值。

流量和物料的匹配度，决定ocpc给每次流量的出价

ocpc的项目目标通常是为了做消耗增量和优化广告主体验：让原先混在普通流量中的优质流量，做出更多溢价，让劣质流量，降低价格，同时对流量与广告主做重新匹配，优化广告效果。

4）ocpm

（二）推荐广告

1)  冷启动：根据用户ID初始信息（地域、性别、年龄等）做热门推荐

2）协同过滤：基于用户个体、相似用户，做看了还看、点了还点、搜了还搜、买了还买

3）