推荐系统和计算广告的相通之处

01伪广告逻辑从第一篇文章“数据与广告系列1：第一次*计算广告”，从数据和算法的角度来看，他是一个逻辑，倾向于候选资源的排名，我们会发现有许多类似的场景。例如，我们做EDM精准营销。在有限的营销预算中，我们通过E-mail将信息推送给候选人，希望带来高转换。事实上，这是一个排序用户池的过程，然后根据预算截取Topn并发送电子邮件。另一个例子是团购网站，或导航网站，或更直接的电子商务货架商品展示，事实上，也指定了条件，在有限的候选人集中，如何排序问题。再比如推荐系统更像是广告的本质逻辑，如何选择候选集，如何在有限的展示场景下安排候选资源。事实上，这些场景有点像伪广告的形式，当然，深入分析肯定是有区别的。经过多年的推荐系统，对推荐系统还是比较熟悉的，我们用推荐系统进行进一步的分析。对于推荐系统或广告来说，推荐系统和计算广告的本质相似之处在于候选资源的有效排名。所谓的候选资源当然是指广告领域的广告池，推荐系统可能非常丰富，需要看到不同的业务场景，如电子商务是商品，信息是各种信息，视频场景是视频，当然，也有跨类型的分流推荐场景。所谓有效排名是从匹配的角度出发的。当然，只有一个基本目的，那就是效果转化（品牌广告也是如此，但它的周期太长，很难跟踪，但目的保持不变）。03推荐系统和计算广告的本质区别在于不同的观点。对于广告商来说，他对自己的广告有一定程度的曝光/转换相关需求，即一般来说，资源是现实的，需要匹配他的流量。对于推荐系统来说，更多的场景是用户流量是固有的，里面丢失的资源相对开放，也就是说，他对哪些资源的具体曝光要求较低，更多的是从用户的角度来匹配更合适的内容。因此，从这个角度来看，归根结底，广告更多的是从广告商的角度来匹配流量，而推荐系统更多的是从用户的角度来推荐/匹配资源。并不是说两者只取一，而是站在不同的角度，思维方式也略有不同。第二，资源的组织方式也不同。对于广告来说，它非常注重其广告的创意体现（即从广告的角度思考），因此每一种资源（候选广告）实际上都是由大量的人工努力产生的（当然，现在很多人都是通过机器学习自动产生创造力的），因为这部分也是影响转型的重要组成部分。然而，对于推荐系统，所有丢失的候选集只是广泛传统资源的一部分。更重要的是，它不是选择资源的包装，而是选择和排序的过程。第三个是最大的差异–竞价。这又回到了第一条。广告从广告商的角度思考问题，分配或匹配流量。当同一流量的多重需求出现时，出现了竞价逻辑，完美地解决了这个问题。对于推荐系统，显然没有这种需求，因为在正常情况下，在同一平台上，服务是用户，只要用户付费，给你哪种商品不给！然而，有一种特殊的情况。这种推荐逻辑可以立即改变为类似广告的逻辑。例如，如果将BC两种产品与A用户匹配（假设匹配度一致、价格一致、转化率一致，甚至类别一致，但如品牌/供应商不同），但场景形式中只有一个资源坑，无论是B还是C，如果没有其他先决条件，都是随机的。但假设我们与BC相应供应商讨论的扣点不一致（所谓扣点是按销售份额结算的模式），我们可以考虑在这个时候仔细选择。因为这有点类似于广告投标的逻辑，在同样的情况下，我当然愿意给我带来更高的利润商品（更少的扣），更少的扣商品通过投标（更少的扣，相同的价格，意味着平台可以得到更多的销售份额，伪装的投标）赢得显示资源。虽然我们大多数人在衡量推荐系统的效果时很少深入跟踪最终利润，但大多数人都在评估点击率和转化率的效果，但不可否认的是，一个真正好的推荐系统仍然需要考虑最终的商业价值，甚至持续的转化能力等等。除了竞价，还有其他一些，比如收费方式、轮换逻辑等。，这也是不同的。甚至有些是独一无二的，但不是重点。04计算广告的多态化和本质。如果上述推荐系统增加了供应商的思维逻辑，推荐系统的逻辑在几分钟内就变成了类似广告的逻辑。事实上，广告有很多形式，并不局限于其载体形式。常见的形式包括横幅轮换资源位置、类似列表的逻辑以及通过搜索嵌入的广告。当然，目前流行的社交形式广告是不可或缺的。事实上，所谓的广告核心是掌握我们第一篇文章中广告的基本逻辑、广告商的需求、流量计算匹配优化、转换估计计算、部分资源流量竞价逻辑等。核心是通过低价有效接触广告商，其外部包装形式和应用场景是次要的，内部数据驱动的核心逻辑一般是相互关联的。在下一章中，我们可以探索社交广告的方向，也可以探索其他垂直和垂直广告的方向，但内部的内部驱动因素或多或少会挂上数据。

以上就是关于推荐系统和计算广告的相通之处的相关介绍，更多推荐系统和计算广告的相通之处相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对推荐系统和计算广告的相通之处有更深的了解和认识。