计算广告与推荐系统有哪些区别?
Posted 深度传送门
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了计算广告与推荐系统有哪些区别?相关的知识,希望对你有一定的参考价值。
链接:https://www.zhihu.com/
question/19662693
编辑:深度传送门
这是个好问题,但两年前看到这个问题的时候还不太敢回答,总觉得对于两块业务理解的还不够,今天尝试着答一下。
我工作后最开始四年是做计算广告算法和系统的,最近两年逐渐转到推荐系统领域。感觉这两个领域的联系大于区别,区别的根本在于两个领域尝试解决的问题是不同的。
对于计算广告来说,本质上要处理的是三方利益的协调问题,这三方分别是广告主、用户和媒体。
对于推荐系统来说,本质上要处理的是用户体验的问题。
正是因为要处理问题的不同,导致了两个领域思考方式的不同。比如同样是构建一个CTR模型:
对于计算广告系统来说,站的角度更多的是用这个CTR模型产生更多的收益,那么在使用的时候就更偏向于将CTR高的广告全都排在前面。
而对于推荐系统来说,在使用CTR模型的时候,就不适宜全部按照CTR来进行内容排序。而是要兼顾内容的多样性,新颖性,和流行度。因为推荐系统的核心是用户体验,如果涸泽而渔的全部用根据用户行为历史生成的推荐内容,很容易让用户疲倦、透支用户的兴趣。那么为了照顾用户的整体体验并挖掘用户的长期兴趣,就要考虑用户在不同体验阶段的感受和行为特点。
再回到计算广告,由于广告系统处理的是一个三方利益的协调问题,那么为了“协调”,就诞生了很多相关且必要的技术。比如,“协调”的本质其实一种博弈方式,广告主和媒体关于价格的博弈,广告主之间的价格博弈,正是这种博弈的存在,使得计算广告一定要去关注基于博弈论的bidding策略。而且为了“协调”广告主、媒体的相关操作,诞生了支持性的相应模块,去处理广告排期、定向、预算控制等模块,这里面当然涉及大量算法和模型,比如处理广告排期需要最优化理论的支持,定向需要各类预测模型,预算控制需要控制论的一些知识等等。这些都是推荐系统里不存在的。
如果列举出两个领域重点要考虑的技术问题,大家也能体会到二者的不同(排名大致分先后):
计算广告:CTR模型,Bidding策略,yield optimization(也许可以叫排期优化),智能预算控制
推荐系统:CTR模型及其他推荐模型,探索与利用(exploitation&exploration),冷启动问题,数据有偏问题
当然,具体的技术问题这里肯定会有遗漏,但大家肯定也能感觉出来计算广告问题涉及的方向更广、需要各模块相互配合,协调;而推荐系统则涉及的问题更细,需要把所有技术都糅合在最终的推荐列表中,但要同时照顾多方面的体验。
最后谈一下作为“计算广告算法工程师”和“推荐系统算法工程师”的区别。
我的答案是没有区别,都是那种领域知识学到死,业界更新快到飞,时刻游走在被淘汰和马上被淘汰边缘的职业体验。。。共勉。
https://www.zhihu.com/
question/19662693/answer/60506017
在Facebook工作的时候做的是newsfeed ranking (新鲜事排序),算是一种推荐系统吧,而且newsfeed中也包含了广告(Feed Ads)。说说我的理解。
结论:推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术,广告是一项业务。个性化推荐可以用在广告中,更可以用在别的产品层面。同时,个性化推荐只是计算广告的一个环节,一个完整的广告系统还需要其他很多重要的技术组件。
0. 个性化推荐在广告之外的很多产品层面都有应用
几个常见的应用领域:
有机内容(organic content)的筛选与排序: Facebook,知乎,今日头条的新鲜事都是个性化排序的结果。Spotify也是类似的例子。个性化推荐做的好不好直接影响产品的活跃度(engagement)和存留(retention)。
一些Growth Hack也极为依赖个性化推荐的质量:最为常见的例子就是Facebook/知乎上“你可能认识/感兴趣的人”。关注的人越多质量越好,用户存留的可能性就越大。
Amazon和Netflix的推荐购买/观看:这个就比较接近广告了。
1. 广告系统也不仅仅只有个性化推荐
一个完整的广告系统,从广告商投放广告到用户看到广告,需要以下几个重要组件:
[面向广告商的工具] 广告商可以根据自己的需要定制投放人群:年龄,性别,地理位置,职业,兴趣等等。
[算法] 个性化推荐:在众多符合条件的广告中选择最合适的一个。
[算法] 定价:放的这个广告该跟广告商要多少钱。这受很多因素影响:放的位置高低,有多少个其他广告一起竞价,等等。
所以,个性化推荐只是整个广告流程的一个小部分。不过,好的个性化推荐可以提高广告的点击率,从而增加产品营收。
2. 个性化推荐不一定非要是机器学习
很多人把个性化推荐等同于机器学习,甚至deep learning。这在严格意义上其实是不准确的。个性化推荐本质上是一组算法。这些算法可以是基于机器学习的,也可以是基于其他信号或者策略。比如说:
Amazon和Netflix最早的推荐系统就是item-item的算法。本质上是基于用户评价计算任何两件商品的相似度,生成一个巨大的二维矩阵。很难说这是机器学习。
Facebook最早的新鲜事排序就是基于一些人工制定的规则,表现也挺不错,以至于基于机器学习的实现在很久之后才在A/B test中击败人工规则。
Pandora的曲库是人工打标签,基于此生成个性化推荐。连机器都没怎么用。
不过广告系统中的个性化推荐一般都是机器学习,Supervise learning对广告这方面有极为成熟的方案。
关于深度传送门
深度传送门是一个专注于深度推荐系统与CTR预估的交流社区,传送推荐、广告以及NLP等相关领域工业界第一手的论文、资源等相关技术分享,欢迎关注!加技术交流群请添加小助手deepdeliver,备注姓名+学校/公司+方向。
以上是关于计算广告与推荐系统有哪些区别?的主要内容,如果未能解决你的问题,请参考以下文章