本文会从商业化产品策略视角，详细介绍竞价广告推荐系统每个工作流目标，以及影响这个环节的关键因子和涉及到的技术能力，基于竞价广告推荐系统工作流，流量媒体在商业化上可做的提效策略。
竞价广告系统模型，是基于媒体广告请求，广告系统会从数百万的广告池里面进行广告召回，召回数百万广告之后，广告系统会进行队列排序，经过粗排和精排，最终胜出的广告会展示给用户。
一、广告推荐系统工作流广告请求：准确捕捉用户需求和场景信息，为后续广告投放提供触发点
通过cookie和设备ID等信息追踪用户的浏览行为，定位用户的上下文信息，以及用户所处时间段，预判是否属于这个用户下发广告的时机。
同时针对广告位位置和规格等信息，确定当前页面适合的展示的广告类型，触发广告请求。
召回阶段：从全量广告库中高效筛出高质量候选广告集合
基于特征工程和机器学习能力，把用户的特征（年龄、性别、地域、兴趣偏好等）、广告内容（标题、主题词、行业等信息），以及用户在端内的上下文（浏览、搜索、时间等消费消息）进行有效特征提取和处理，以预测用户对广告的兴趣度，进行多路召回。本阶段会有上万级别的广告会被召回
粗排阶段：针对召回的广告候选集进行初步排序，筛选出最可能吸引用用户点击的广告
根据广告主、平台方的目标和约束条件，选择pcrt、pcvr和广告出价作为关键因子进行建模，来评估广告潜在价值，由于粗排阶段的广告数据巨大，粗排阶段采用简化模型快速计算，短时间内完成大量广告排序。本阶段结束，适配的广告已经只有上百广告量级。
精排阶段：针对粗排结果进一步细化，最终给用户广告符合用户兴趣又能够满足广告主需求
这个阶段除了考虑PCTR和PCVR和广告主出价之外，这里会开考虑更多广告创意质量、用户体验、广告和页面的兼容性等，以及广告主诉求和平台商业目标（广告收入、用户体验）等提取和构建有价值的特征向量，来提升排序的精确性和稳定性；
根据用户的实时点击和转化行为，采用实时计算动态调整广告排序结果，采用深度学习等复杂模型对广告进行深度分析和评估，融合多个模型预测结果，捕捉用户和广告之间的复杂关系，提高排序的效果。本阶段结束只有会几个广告最终给到的广告展示。
广告展示：将最合适的广告以最佳的方式展示给用户，实现广告效果和用户体验的平衡
基于动态渲染和广告调度算法，展示过程中还需要考虑广告的加载速度、视觉效果、与页面内容的协调性等因素，以确保用户能够顺利接收广告信息，并且不影响用户对平台内容的正常使用，考虑用户体验，进行频控，不能让用户短时间看到的重复的广告。
1. 请求阶段
请求阶段的核心是洞察用户需求和场景信息，我们可以从这两个点出发，获取更多有效信息提升请求阶段的准确性。
1）深度用户洞察，通过不同方式收集更多用户信息，同时针对收集的信息利用人工智能算法实时动态更新用户信息和信息细化处理。
- 用户更多数据收集：通过用户的授权，三方数据合作和统一社交账号登录等形式，收集的用户在不同的平台的不同设备上的行为数据；另外部署高级的行为追踪技术，对用户在端内的行为，进行更精细的埋点和上报。结合这两点，不仅关注用户的搜索和浏览行为，还分析其社交互动、消费记录等，精准勾勒出用户的兴趣图谱和消费潜力。例如，通过分析用户在社交媒体上的话题参与和关注对象，挖掘其潜在的兴趣领域。
- 利用人工智能算法：对用户画像进行动态更新和细分。根据用户行为的变化，实时调整用户所属的细分群体，确保广告推送的精准性。比如，当用户开始关注健身话题时，将其从普通休闲用户群体调整到健身爱好者群体。
2）用户所处场景，通过技术智能感知，结合场景触发规则库，调整广告请求的参数和优先级。
- 结合人工智能和传感器技术，更精准地感知用户所处的场景。除了时间、地点和设备类型，还考虑用户的情绪状态、周围环境等因素。例如，当检测到用户在运动状态下，推送与运动相关的产品广告，如运动饮料、智能运动手表等。
- 建立场景触发规则库，根据不同的场景自动调整广告请求的参数和优先级。例如，在用户处于购物场景时，提高对电商广告的请求优先级，同时降低对其他类型广告的请求频率。
2. 召回阶段
召回阶段，希望从全量广告库中高效筛出高质量候选广告集合，通过的不同算法召回技术，与广告主建立深度数据画像合作，共建多维度召回策略，最近融合；另外通过搭建高效数据处理平台，能实时处理用户行为数据和广告状态变化，以及对用户数据进行实时预测。
1）技术层面采用不同的召回算法，另外与广告主进行深度数据共建，实现多维度召回融合
- 综合运用多种先进的召回技术，包括基于深度学习的语义召回、基于图神经网络的关系召回等。例如，通过分析广告内容与用户浏览内容的语义相似度，召回更具相关性的广告；或者利用图神经网络分析用户与广告之间的潜在关系，挖掘出用户可能感兴趣的新广告。
- 与广告主建立深度合作，共同打造定制化的召回渠道。根据广告主的品牌特点和目标受众，为其设计专属的召回策略。比如，对于高端时尚品牌，当用户浏览时尚杂志网站或关注时尚博主时，优先召回该品牌的广告。
2）实时数据驱动召回优化，实现实时监控用户行为数据变化和广告状态变化，还能实现对用户行为的预测
- 搭建高效的数据实时处理平台，确保广告库中的数据能够在毫秒级时间内更新。实时监控广告的状态变化、出价调整、定向条件更新等，以便在召回阶段及时响应。例如，当广告主提高出价或调整定向范围时，系统能够立即将该广告纳入召回候选集。
- 利用机器学习算法对用户行为数据进行实时预测，提前召回可能与用户未来行为相关的广告。例如，根据用户的历史购买周期和浏览趋势，预测用户即将进行的购买行为，并召回相关产品的广告。
3. 粗排阶段
粗排阶段，针对召回的广告候选集进行初步排序，筛选出最可能吸引用用户点击的广告，因为我们可以构建出多维度动态化的筛选指标体系，同时能采用预加载和缓存策略，针对召回频率高、展示率高的广告进行缓存和与预加载。
1）构建多维度、动态化的筛选指标体系，能有效将有潜力的广告进行加权，对高价值用户注重广告质量
- 设计一套兼具效率和准确性的粗排指标体系，结合出价、预估点击率、广告质量得分等多个维度。其中，广告质量得分可以考虑广告的创意水平、加载速度、用户反馈等因素。通过合理设置指标权重，快速筛选出一批有潜力的广告。
- 建立指标动态调整机制，根据不同的业务场景和用户群体，自动调整粗排指标。例如，在节假日期间，提高对与节日相关广告的指标权重；对于高价值用户群体，更加注重广告的质量得分。
2）对召回频率高，效果好的广告，进行智能缓存与预加载策略
- 运用人工智能技术对广告的召回频率和展示概率进行预测，有针对性地进行缓存和预加载。对于召回频率高、展示概率大的广告，提前缓存到靠近用户的边缘节点，减少响应时间。同时，根据用户的行为趋势和时间序列分析，预测可能被召回的广告，进行预加载。
- 采用分布式缓存和分层缓存技术，提高缓存的容量和访问速度。将热门广告缓存到高速内存中，将次热门广告缓存到磁盘中，根据需求进行动态调整。并且，通过缓存一致性协议，确保缓存中的数据与广告库中的数据实时同步。
3. 精排阶段
精排阶段，针对粗排结果进一步细化，最终给用户广告符合用户兴趣又能够满足广告主需求，这个阶段结合多模态数据，采用深度学习和强化学习算法，通过对广告文字，广告视频、广告声音等因素算法学习，对广告进行深度特征提取和精确排序。另外本阶段搭建多目标优化模型，广告消耗和用户体验等因素，同时让用户参与进来对广告进行评价和反馈。
1）前沿技术驱动的精准排序，多模态处理的视觉、文案内容和音频等，采用深度学习和强化学习，对广告进行特征提取和排序。
- 引入最先进的深度学习和强化学习算法，对广告进行深度特征提取和精准排序。例如，利用深度强化学习算法，让系统在与用户的交互过程中不断学习和优化排序策略，根据用户的实时反馈调整广告的排序位置。
- 结合多模态数据，如图像、视频、文本等，构建更丰富的广告特征表示。利用多模态深度学习模型，综合考虑广告的视觉效果、文案内容、音频特点等因素，进行更精准的排序。例如，对于视频广告，不仅考虑视频的内容和质量，还分析音频的吸引力和情感倾向。
2）广告效果和用户体验等多目标平衡与优化，让用户参与到的广告体验反馈和评价中
- 建立多目标优化模型，综合考虑广告主的出价、点击率、转化率、用户体验、平台长期发展等多个目标。通过优化算法求解多目标优化问题，找到一个平衡各方利益的最优排序结果。例如，在保证广告主收益的同时，提高用户对广告的满意度，减少用户的屏蔽和投诉行为。
- 引入用户参与机制，让用户对广告进行评价和反馈。根据用户的反馈信息，调整广告的排序权重。例如，用户对某个广告的评价较高，系统可以适当提高该广告的排序位置；用户对某个广告进行了屏蔽，系统可以降低该广告在未来的展示概率。
5. 展示阶段
这个阶段，强调将最合适的广告以最佳的方式展示给用户，实现广告效果和用户体验的平衡。通过技术能力处理，给用户个性化的广告体验，通过的广告和用户之间的创新型交互体验提升用户对广告的好感度，同时实时数据监控和数据反馈，及时调整的策略，
1）根据用户个性和用户当前所处的环境，给用户个性化的广告体验
- 利用人工智能和大数据技术，为每个用户定制独一无二的广告展示方案。根据用户的兴趣偏好、浏览历史、购买行为等，动态调整广告的展示形式、内容和风格。例如，对于喜欢简约风格的用户，展示简洁明了的广告设计；对于注重品质的用户，突出广告中的品牌价值和产品质量。
- 采用自适应展示技术，根据用户的设备类型、屏幕尺寸、网络环境等因素，自动调整广告的展示效果。确保广告在不同设备上都能呈现出最佳的视觉体验，同时不会因为网络环境差而影响加载速度。例如，在移动设备上，采用响应式设计，使广告能够自适应不同的屏幕尺寸和分辨率。
2）通过创新的广告样式和交互设计，搭建用户激励体制，提升用户的参与
- 设计富有创意和互动性的广告形式，提高用户与广告的互动频率和深度。例如，推出互动式视频广告，让用户在观看广告的过程中参与互动，如选择剧情走向、回答问题等，增加用户的参与感和记忆度。
- 建立用户激励机制，鼓励用户与广告进行互动。例如，用户参与广告互动可以获得积分、优惠券等奖励，提高用户的积极性和参与度。同时，通过用户的互动行为，进一步了解用户的需求和偏好，优化广告的展示策略。
3）搭建实时数据反馈机制，对广告效果实时监测与反馈闭环，及时调整策略
- 搭建实时监测系统，全方位跟踪广告的展示效果。不仅关注传统的指标如展示次数、点击次数、转化率等，还分析用户的停留时间、页面滚动深度、广告分享次数等隐性指标。通过实时数据分析，及时发现问题并调整策略。
- 将广告效果反馈给广告主和系统优化模块，形成一个闭环反馈机制。广告主可以根据反馈信息调整出价和定向策略，系统优化模块可以根据反馈结果改进推荐算法和商业策略。不断优化广告推荐系统，提升广告的效率和效果。
