作為一個(gè)生活消費(fèi)決策平臺(tái)，小紅書內(nèi)有多種場(chǎng)景在為消費(fèi)者提供著信息獲取的服務(wù)，廣告主也可在各個(gè)場(chǎng)景通過廣告觸達(dá)消費(fèi)者，如何跨場(chǎng)景進(jìn)行高效的廣告投放一直是困擾廣告主的一道難題。

一、小紅書全站指頭簡(jiǎn)介

小紅書是一個(gè)生活內(nèi)容社區(qū)，更是一個(gè)消費(fèi)決策平臺(tái)。商家想在小紅書內(nèi)更多地吸引用戶消費(fèi)時(shí)，有多種渠道可供選擇（下圖從左到右依次為“發(fā)現(xiàn) feed”、“搜索 feed”中的廣告內(nèi)容），多渠道的廣告投放可以更大范圍、更高概率地觸達(dá)潛在用戶，從而達(dá)到推廣商品、服務(wù)消費(fèi)者的目的。

然而，達(dá)成這樣多渠道合力推廣的效果并不容易，廣告主需要在小紅書的廣告平臺(tái)上分別構(gòu)建“發(fā)現(xiàn) feed”和“搜索 feed”的多個(gè)推廣計(jì)劃，并且每個(gè)計(jì)劃都需要給出合理的配置（預(yù)算、關(guān)鍵詞、定向、出價(jià)方式等），其復(fù)雜程度和難度可想而知，通過人工配置完成這種組合投放效率低下，難以形成“1+1>2”的協(xié)同效果。此外，“搜索 feed”廣告的關(guān)鍵詞和“發(fā)現(xiàn) feed”廣告的人群定向選擇也是很多廣告主一直以來的夢(mèng)魘，選得過于寬泛效果不好，過于精準(zhǔn)又拿量不夠。

小紅書“全站智投”便是為了解決上述商家的營(yíng)銷痛點(diǎn)推出的一款智能營(yíng)銷工具，配套了一系列智能化算法（智能圈詞、智能定向、智能出價(jià)、智能預(yù)算分配）。如下圖所示，商家只需給定整體預(yù)算以及目標(biāo)成本（例如1000元預(yù)算，2元的互動(dòng)成本）即可快速推廣，平臺(tái)會(huì)自動(dòng)創(chuàng)建不同渠道的虛擬計(jì)劃并提供全方位的效果保障。這里的智能化算法配備了廣告行業(yè)內(nèi)最先進(jìn)的 AI 能力，基于大數(shù)據(jù)持續(xù)優(yōu)化，幫助商家達(dá)成既定投放目標(biāo)。

二、智能圈詞

“搜索 feed”場(chǎng)景的廣告投放通過關(guān)鍵詞觸發(fā)，為廣告物料選擇關(guān)鍵詞對(duì)于搜索場(chǎng)景的投放效果至關(guān)重要。因此，如何圈選關(guān)鍵詞也是困擾搜索客戶的一大難題。針對(duì)此，我們通過物料內(nèi)容理解、用戶行為分析、E&E 優(yōu)選等技術(shù)，搭建了智能圈詞算法，根據(jù)客戶的物料自動(dòng)圈選優(yōu)質(zhì)關(guān)鍵詞，在保證廣告投放效果的同時(shí)，降低客戶投放門檻。

智能圈詞算法的工作原理如下圖所示。我們采用了經(jīng)典的“召回+優(yōu)選”兩段式架構(gòu)，在召回階段主要通過內(nèi)容理解和用戶行為建模兩種方式結(jié)合挖掘潛在關(guān)鍵詞。前者對(duì)廣告物料內(nèi)容做深入理解分析，利用“核心詞提取”、“語(yǔ)義理解”、“多模態(tài)表示學(xué)習(xí)”等技術(shù)，提升物料信息抽取的有效性，并以此挖掘高精準(zhǔn)關(guān)鍵詞；后者則充分利用平臺(tái)內(nèi)的用戶行為信息，借助圖神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取和關(guān)系推理能力，發(fā)現(xiàn)更具意圖擴(kuò)展性的關(guān)鍵詞。

優(yōu)選階段主要目標(biāo)是從召回的關(guān)鍵詞中選擇效果更優(yōu)的關(guān)鍵詞，我們將其建模成 E&E（Exploit & Explore）問題：保證所有候選關(guān)鍵詞都有概率被圈選，獲得線上反饋數(shù)據(jù)，并根據(jù)投放反饋調(diào)整關(guān)鍵詞的圈選概率，以確保廣告投放的長(zhǎng)期收益。

值得注意的是，小紅書平臺(tái)提供了多種不同的廣告樣式，客戶可針對(duì)投放訴求自行選擇，例如原生的筆記樣式、面向客資收集的表單樣式、優(yōu)化商品銷量的商品卡樣式等。這種方式能夠有效提升客戶的投放效果，與此同時(shí)，也對(duì)智能圈詞的優(yōu)化提出了挑戰(zhàn)：與筆記樣式不同，表單和商品卡樣式往往是簡(jiǎn)單的圖文組合，能夠直接獲得的文字信息較少；另一方面，投放表單和商品卡廣告的客戶數(shù)量明顯少于筆記類客戶，廣告量少、有效日志少等數(shù)據(jù)稀疏性問題凸顯出來。

針對(duì)以上問題，我們首先利用 OCR、圖片分類等能力，充分挖掘圖片物料中的有效信息，并基于核心詞識(shí)別、查詢改寫等方式對(duì) OCR 結(jié)果進(jìn)行擴(kuò)展，豐富廣告物料特征；在建模的優(yōu)化上，我們?cè)谡Z(yǔ)義模型中使用對(duì)比學(xué)習(xí)方法，并引入客戶歷史投放信息優(yōu)化訓(xùn)練集，將同客戶投放的不同類型物料認(rèn)定為相似物料，用于構(gòu)建正樣本，以此提升對(duì)表單和商品卡物料的建模能力；同樣的，我們將“同客戶投放”以及“物料同現(xiàn)”關(guān)系納入圖模型的建模過程中，以解決歷史日志中表單和商品卡樣式廣告數(shù)據(jù)稀疏問題。

三、智能定向

在“發(fā)現(xiàn) feed”場(chǎng)景，定向是決定客戶投放效果的重要因素。全站智投中，我們提供了智能定向能力，客戶無需顯式表達(dá)目標(biāo)人群，召回算法會(huì)優(yōu)選符合客戶目標(biāo)表達(dá)的流量進(jìn)行參競(jìng)。

全站智投提供了多種優(yōu)化目標(biāo)，如互動(dòng)、私信、表單提交等，傳統(tǒng)的做法會(huì)在召回階段考慮多種目標(biāo)，設(shè)置多個(gè)子召回通道進(jìn)行 Top k 截?cái)唷＿@種方式一方面開發(fā)和維護(hù)成本較高，另一方面會(huì)導(dǎo)致客戶錯(cuò)失一些符合成本目標(biāo)的流量，無法發(fā)揮智能出價(jià)的最大效用，對(duì)大盤流量售賣效率有損。因此，全站智投智能定向采用了 Learning To Rank（LTR）的方式，對(duì)齊精排廣告最終排序結(jié)果進(jìn)行召回。從客戶視角看，該方案讓客戶逼近全流量參競(jìng)，讓智能出價(jià)有更大的空間優(yōu)選流量，提升廣告投放效果；從流量視角看，該方案提高了競(jìng)價(jià)鏈路的順暢度，提升了流量分配效率。

如下圖所示，具體實(shí)現(xiàn)層面，召回階段根據(jù)廣告最終排序采用 LTR Pointwise 建模，將復(fù)雜的排序問題化簡(jiǎn)為下發(fā)率（pSend）預(yù)估問題；模型設(shè)計(jì)采用經(jīng)典的雙塔結(jié)構(gòu)，在滿足召回性能要求的同時(shí)，優(yōu)化模型預(yù)估的準(zhǔn)確率。

四、智能預(yù)算分配

全站智投計(jì)劃預(yù)算，會(huì)同時(shí)在“發(fā)現(xiàn) feed”和“搜索 feed”場(chǎng)景被消耗，不同場(chǎng)景的流量?jī)r(jià)格和效果存在差異，因此，高效的控制不同場(chǎng)景的花費(fèi)對(duì)最終的投放效 果至關(guān)重要?？鐖?chǎng)景投放策略主要有兩種核心思路：

1. 統(tǒng)一的智能出價(jià)模塊直接進(jìn)行流量粒度出價(jià)（Bid），不同場(chǎng)景提供流量以及流量?jī)r(jià)值預(yù)估分（pValue），如下左圖所示。該方案能實(shí)時(shí)考慮計(jì)劃的整體預(yù)算進(jìn)行調(diào)控，架構(gòu)清晰，但對(duì)系統(tǒng)要求較高，兩個(gè)場(chǎng)景的投放系統(tǒng)耦合更重，轉(zhuǎn)化率預(yù)估的能力也需要對(duì)齊。

2. 各場(chǎng)景先分配預(yù)算，場(chǎng)景內(nèi)根據(jù)分配到的預(yù)算各自進(jìn)行智能出價(jià)，如下右圖所示。預(yù)算分配的結(jié)果對(duì)最終的投放效果影響很大，一步到位做到最優(yōu)的預(yù)算分配結(jié)果比較難，但系統(tǒng)相對(duì)解耦，魯棒性也更好。 

小紅書在不同場(chǎng)景已經(jīng)建設(shè)了相對(duì)獨(dú)立的投放系統(tǒng)，召回、預(yù)估等模塊都有差異，考慮到系統(tǒng)魯棒性和迭代高效性，我們選擇了基于預(yù)算分配的方案。

預(yù)算分配的目標(biāo)和客戶投放目標(biāo)一致，即預(yù)算和成本約束下最大化價(jià)值，假設(shè)對(duì)于任意場(chǎng)景，我們已知預(yù)算和價(jià)值之間的關(guān)系 

 ，直接最優(yōu)化求解即可得到各個(gè)渠道的最優(yōu)預(yù)算分配。對(duì)于函數(shù)  的獲得，業(yè)內(nèi)常用的方案是通過成效預(yù)估技術(shù)來估計(jì)，但是實(shí)際的廣告競(jìng)價(jià)環(huán)境波動(dòng)大，難得到精準(zhǔn)估計(jì)的 

 。因此，我們采用了一種啟發(fā)式的動(dòng)態(tài)調(diào)整預(yù)算分配的方案，該方案核心思路是基于預(yù)算消耗率和拿量成本調(diào)整場(chǎng)景預(yù)算：

• 計(jì)劃新建時(shí)會(huì)初始化場(chǎng)景預(yù)算分配比例
• 每隔一定時(shí)間，根據(jù)各個(gè)場(chǎng)景的預(yù)算消耗率、投放成本以及約束超限情況，重新分配預(yù)算

五、智能出價(jià)

在實(shí)時(shí)競(jìng)價(jià)廣告業(yè)務(wù)中，平臺(tái)提供給客戶的投放能力對(duì)其投放效果有顯著影響。在傳統(tǒng)的點(diǎn)擊出價(jià)方式中，如何設(shè)定合理的出價(jià)以平衡拿量和目標(biāo)成本對(duì)于客戶來說一直是個(gè)難題，這使得各場(chǎng)景的投放門檻一直居高不下。

針對(duì)上述問題，在全站智投場(chǎng)景下，我們?yōu)榭蛻籼峁┝巳詣?dòng)帶約束的最優(yōu)化出價(jià)方案（MCB，Multi-Constrained Bidding），客戶僅需給定優(yōu)化目標(biāo)、預(yù)算、目標(biāo)成本，平臺(tái)會(huì)根據(jù)商家的營(yíng)銷訴求在流量粒度實(shí)現(xiàn)高效出價(jià)，最大化商家的廣告投放效率，在達(dá)成客戶營(yíng)銷效果的同時(shí)提升平臺(tái)流量效用。

關(guān)于智能出價(jià)的建模，我們把問題抽象成帶約束的最優(yōu)化問題，并基于線性規(guī)劃的 primal-dual 方法把原問題轉(zhuǎn)化到對(duì)偶空間進(jìn)行求解，得到最優(yōu)的出價(jià)公式。我們把智能出價(jià)問題做以下形式化，并得到最優(yōu)出價(jià)公式：

如上形式化，該問題是一個(gè)帶線性約束的最優(yōu)化問題，我們可以直接求解得到最優(yōu)的流量分配方案（即未知數(shù) 

 的值）。

但是站在客戶的視角，只能通過在流量上的出價(jià)來影響是否競(jìng)得，因此我們希望能建立出價(jià)和競(jìng)得與否的關(guān)系，通過最優(yōu)的出價(jià)方式來保障競(jìng)得流量最優(yōu)。具體地，我們嘗試把這個(gè)問題轉(zhuǎn)換到對(duì)偶空間，來找尋客戶出價(jià)和是否競(jìng)得的關(guān)系，最終得到含有一個(gè)超參數(shù) 

 的最優(yōu)出價(jià)公式。得到了最優(yōu)出價(jià)公式，基于該出價(jià)公式進(jìn)行出價(jià)，就能篩選性價(jià)比最高的流量，保障投放效果最優(yōu)（如下左圖所示）。

在這個(gè)基礎(chǔ)上，我們?yōu)槊總€(gè)全站智投計(jì)劃，以前文的預(yù)算分配模塊為場(chǎng)景分配預(yù)算，得到預(yù)算后的每個(gè)虛擬計(jì)劃都會(huì)有單獨(dú)的 MCB 模型對(duì)其投放效果進(jìn)行在線優(yōu)化。模型通過反饋控制的方式不斷調(diào)整出價(jià)參數(shù)，使全天的投放效果在滿足預(yù)算和成本約束的前提下，最大化競(jìng)得流量的價(jià)值。具體來說，每經(jīng)過一定時(shí)間，MCB 模型就會(huì)從廣告系統(tǒng)中獲取計(jì)劃的歷史投放效果數(shù)據(jù)（如成本達(dá)成率、預(yù)算消耗率等），結(jié)合當(dāng)前的出價(jià)水位以及未來競(jìng)價(jià)環(huán)境的預(yù)估，對(duì)出價(jià)參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整，確保最終的投放效果（如下右圖所示）。

六、未來規(guī)劃

我們?cè)谛〖t書內(nèi)各場(chǎng)景上，已經(jīng)完成了跨場(chǎng)景聯(lián)合投放的算法能力建設(shè)，未來新的流量場(chǎng)景的接入和投放（如單列發(fā)現(xiàn) feed）會(huì)持續(xù)進(jìn)行，為廣告主帶來更多的流量?jī)r(jià)值。此外，智能投放、智能定向、智能圈詞以及智能預(yù)算分配，也可以通過更加先進(jìn)的算法策略升級(jí)進(jìn)一步提效。面向終態(tài)，跨場(chǎng)景統(tǒng)一出價(jià)的架構(gòu)是更加高效的解決方案，隨著系統(tǒng)能力的加強(qiáng)，我們也會(huì)逐步朝著這個(gè)方向進(jìn)行嘗試。