漫谈广告机制设计 | 混排:广告与自然结果的交锋博弈(1)

2023-10-21 10:52

本文主要是介绍漫谈广告机制设计 | 混排:广告与自然结果的交锋博弈(1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

之前我们在刷微信朋友圈的时候,内容均是好友们发布的信息,直到某一天发现广告出现在朋友圈,而这样的情况已经发生在我们互联网生活的每个角落,逛淘宝的时候经常会发现有几个广告穿插在信息流或者搜索列表中,在百度搜索时前几位经常是广告,刷抖音时经常刷到各类广告。这些广告是互联网公司的重要收入来源,也是维持其发展的重要支撑。

但我们很少发现一整屏、连续很多刷或者连续很多个位次全部出广告的情况,这是因为广告对用户的产品使用体验是有损的,可能损失在用户时长,交易额上,也可能损失用户对产品的兴趣,影响产品的长期发展。可是全是自然结果没有广告又不行。这个时候就需要一个规则(美其名曰“机制”)来权衡广告和自然结果的双方利益,来达到期望的目标。

这个机制叫做混排,一般是指两个不同来源的内容进行混合排序。前文说过机制就是一种权衡,而这种权衡在混排中表现得淋漓尽致。这个感悟要从一年前的一次私聊谈起。

第一回:领导私聊谈把握,混排战场主沉浮

一年前我开始做广告和自然结果的混排机制,有一天被领导叫到小屋,说混排的事情要把握一下,当时对领导说的“把握”二字仅仅理解到“好好做”的层面,直到后来,我才领悟到“把握”的意思是要抢在自然侧前面,主导广告和自然的分配机制。

我们以信息流为例,用户对信息流各个位置的注意力是一种宝贵的资源,而这种资源是有限的,需要分配给广告和自然结果到对应的位置,做混合排序。那么问题就来了:谁来主导这个资源分配?按照什么标准进行分配呢?

百度对这种资源的分配非常直接,前几位全部预留给广告,后面的位置为自然结果,大家也都别争别抢,按照规矩办事。这样做自然是有道理的,因为百度搜索的自然结果商业价值不高,更多的是用户的体验价值,广告结果商业价值高,用户体验通过召回相关性进行判断,也就是说当广告有结果返回时必然要占据预留的前几个位置。由此看是广告侧决定着资源的分配,分配的标准是广告的商业价值和相关性。

早期信息流,如今日头条,微信朋友圈等也选择固定位的方式进行混排,如1+5n,第一位放广告后每隔4个自然结果放一个广告,大家也都别争别抢,各自优化各自的效果。在这种信息流中,自然结果的商业价值也不高;广告的商业价值高,也不需要很严格的相关性保证,所以广告侧基本上是可着劲儿地向对应的位置填广告。此时资源分配是自上而下的规则,老板决定资源的分配,分配的标准是参考业界做法或者拍脑袋决定或者测试出来的。

在淘宝、京东、拼多多、美团这样的信息流或者搜索流中,或者包含直播、电商、广告的抖音,快手信息流中,自然结果(这里指非广告)也是有商业价值,如成单后给平台的抽佣等,采取固定位就不是很好的方式了。如果说一个广告的商业价值很低很低,却占据着好的位置,对整体利益就不是最大化的了。这个时候就需要思考上述的问题了。

第二回:自然侧浑水摸鱼,广告侧暗渡陈仓

先说一个自然侧主导混排的例子:某平台发布了一篇论文,论文讲述了一个非常先进的模型,将首页信息流上各数据源的内容整合混排,取得点击率指标的大幅增长。不知道读者看到这里有什么问题吗?

我们先按下不表,说说混排的大概流程:一个流量到来时,请求会同时发送到自然结果检索系统和广告检索系统,前者根据对应的目标进行排序截断返回,后者往往根据eCPM指标进行排序截断返回,返回给混排系统,混排系统按照某一标准将两个系统的返回结果做混合排序。

说到这里,读者是否已经理解这个混排例子的问题了?如果不理解,可以思考一下例子中说的点击率指标大幅增长是否与自然侧和广告侧的排序目标完全一致呢?且不说对广告排序的修改影响竞价机制这些。可以看出这种换排序目标的方法是有点浑水摸鱼了。

因为广告侧的排序非常特殊,与整个广告竞价生态相关,所以也存在让广告侧主导混排的例子。

第一个就是说百度的搜索广告,广告返回后占据预留的前几位,如前三位。此时广告侧的同学也不会闲着,可劲儿向里面填广告。刚说了广告召回是受相关性限制的,相关性太差是不能放广告,当然还有其他一些用户体验指标,这些指标可以形成一个多目标联合门槛策略,当收入缺的时候,把门槛调低一些,收入不缺时,门槛调高一些,成为广告收入调节的利器。在oCPC情况下,新的召回通路可能对相关性的要求更低。扩召回增加填充率是搜索广告收入增加的第一大利器。而这些自然侧把控能力弱,广告侧暗渡陈仓。

当然自然侧也不会坐视不管,比如在信息流中没有相关性的约定,但是有其他规则的约定,如广告的展现占比不能超过一个约定阈值。介绍一下信息流的混排流程中,广告系统不仅仅要返回广告内容,也要返回广告要展现的位置,然后混排系统按照广告系统在指定的位置上放指定的广告。

即使有展现占比的约定,广告侧也有对应的策略寻求对自己有利的结果。我们知道信息流从高到低,点击率是不一样的,广告的展现价值也是不一样的,如果约定展现占比的话,广告侧有一个策略可以提高自己的收益,比如说用低位次的展现机会换高位次的展现机会,可以做到展现持平,收益增加,实现“暗渡陈仓"。当然自然侧也很快会发现这个问题,用其他指标来限制广告侧的做法,我们放到第四回介绍。

后来自然侧和广告侧真的坐了下来,好好谈了一把,约定了混排的排序标准,开启了混排机制的各项绝技。欲知详情,请听下回。《展绝技循序渐进,外部性难舍难分》《道德失信仰崩塌,统天下全站一价》《垄断成型修罗场,风云变幻再轮回》。

这篇关于漫谈广告机制设计 | 混排:广告与自然结果的交锋博弈(1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/253919

相关文章

JVM 的类初始化机制

前言 当你在 Java 程序中new对象时,有没有考虑过 JVM 是如何把静态的字节码(byte code)转化为运行时对象的呢,这个问题看似简单,但清楚的同学相信也不会太多,这篇文章首先介绍 JVM 类初始化的机制,然后给出几个易出错的实例来分析,帮助大家更好理解这个知识点。 JVM 将字节码转化为运行时对象分为三个阶段,分别是:loading 、Linking、initialization

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

poj2505(典型博弈)

题意:n = 1,输入一个k,每一次n可以乘以[2,9]中的任何一个数字,两个玩家轮流操作,谁先使得n >= k就胜出 这道题目感觉还不错,自己做了好久都没做出来,然后看了解题才理解的。 解题思路:能进入必败态的状态时必胜态,只能到达胜态的状态为必败态,当n >= K是必败态,[ceil(k/9.0),k-1]是必胜态, [ceil(ceil(k/9.0)/2.0),ceil(k/9.

hdu3389(阶梯博弈变形)

题意:有n个盒子,编号1----n,每个盒子内有一些小球(可以为空),选择一个盒子A,将A中的若干个球移到B中,满足条件B  < A;(A+B)%2=1;(A+B)%3=0 这是阶梯博弈的变形。 先介绍下阶梯博弈: 在一个阶梯有若干层,每层上放着一些小球,两名选手轮流选择一层上的若干(不能为0)小球从上往下移动,最后一次移动的胜出(最终状态小球都在地面上) 如上图所示,小球数目依次为

Java ArrayList扩容机制 (源码解读)

结论:初始长度为10,若所需长度小于1.5倍原长度,则按照1.5倍扩容。若不够用则按照所需长度扩容。 一. 明确类内部重要变量含义         1:数组默认长度         2:这是一个共享的空数组实例,用于明确创建长度为0时的ArrayList ,比如通过 new ArrayList<>(0),ArrayList 内部的数组 elementData 会指向这个 EMPTY_EL

怎么让1台电脑共享给7人同时流畅设计

在当今的创意设计与数字内容生产领域,图形工作站以其强大的计算能力、专业的图形处理能力和稳定的系统性能,成为了众多设计师、动画师、视频编辑师等创意工作者的必备工具。 设计团队面临资源有限,比如只有一台高性能电脑时,如何高效地让七人同时流畅地进行设计工作,便成为了一个亟待解决的问题。 一、硬件升级与配置 1.高性能处理器(CPU):选择多核、高线程的处理器,例如Intel的至强系列或AMD的Ry

基于51单片机的自动转向修复系统的设计与实现

文章目录 前言资料获取设计介绍功能介绍设计清单具体实现截图参考文献设计获取 前言 💗博主介绍:✌全网粉丝10W+,CSDN特邀作者、博客专家、CSDN新星计划导师,一名热衷于单片机技术探索与分享的博主、专注于 精通51/STM32/MSP430/AVR等单片机设计 主要对象是咱们电子相关专业的大学生,希望您们都共创辉煌!✌💗 👇🏻 精彩专栏 推荐订阅👇🏻 单片机

【编程底层思考】垃圾收集机制,GC算法,垃圾收集器类型概述

Java的垃圾收集(Garbage Collection,GC)机制是Java语言的一大特色,它负责自动管理内存的回收,释放不再使用的对象所占用的内存。以下是对Java垃圾收集机制的详细介绍: 一、垃圾收集机制概述: 对象存活判断:垃圾收集器定期检查堆内存中的对象,判断哪些对象是“垃圾”,即不再被任何引用链直接或间接引用的对象。内存回收:将判断为垃圾的对象占用的内存进行回收,以便重新使用。

【Tools】大模型中的自注意力机制

摇来摇去摇碎点点的金黄 伸手牵来一片梦的霞光 南方的小巷推开多情的门窗 年轻和我们歌唱 摇来摇去摇着温柔的阳光 轻轻托起一件梦的衣裳 古老的都市每天都改变模样                      🎵 方芳《摇太阳》 自注意力机制(Self-Attention)是一种在Transformer等大模型中经常使用的注意力机制。该机制通过对输入序列中的每个元素计算与其他元素之间的相似性,

如何通俗理解注意力机制?

1、注意力机制(Attention Mechanism)是机器学习和深度学习中一种模拟人类注意力的方法,用于提高模型在处理大量信息时的效率和效果。通俗地理解,它就像是在一堆信息中找到最重要的部分,把注意力集中在这些关键点上,从而更好地完成任务。以下是几个简单的比喻来帮助理解注意力机制: 2、寻找重点:想象一下,你在阅读一篇文章的时候,有些段落特别重要,你会特别注意这些段落,反复阅读,而对其他部分