作为一个日子消费决议方案途径，小红书内有多种场景在为顾客供给着信息获取的服务，广告主也可在各个场景经过广告触达顾客，怎么跨场景进行高效的广告投进 一向是困扰广告主的一道难题。为了给广告主供给愈加友好的广告投进办法，提高广告投进作用，小红书建造了“全站智投”智能营销工具，为广告主供给一站式跨场景的智能投进才能。本文将重点分享“全站智投”中的中心算法才能。

1. 小红书全站智投简介

小红书是一个日子内容社区，更是一个消费决议方案途径。商家想在小红书内更多地吸引用户消费时，有多种途径可供挑选（下图从左到右依次为“发现feed”、“查找feed”中的广告内容），多途径的广告投进可以更大范围、更高概率地触达潜在用户，然后达到推行产品、服务顾客的目的。

然而，达到这样多途径合力推行的作用并不容易，广告主需求在小红书的广告途径上别离构建“发现feed”和“查找feed”的多个推行方案，并且每个方案都需求给出合理的配置（预算、关键词、定向、出价办法等），其复杂程度和难度可想而知，经过人工配置完结这种组合投进功率低下，难以构成“1+1>2”的协同作用。此外，“查找feed”广告的关键词和“发现feed”广告的人群定向挑选也是许多广告主一向以来的梦魇，选得过于宽泛作用欠好，过于精准又拿量不行。

小红书“全站智投”就是为了处理上述商家的营销痛点推出的一款智能营销工具，配套了一系列智能化算法（智能圈词、智能定向、智能出价、智能预算分配）。如下图所示，商家只需给定全体预算以及方针本钱（例如1000元预算，2元的互动本钱）即可快速推行，途径会主动创立不同途径的虚拟方案并供给全方位的作用保证。这儿的智能化算法配备了广告行业界最先进的AI才能，依据大数据继续优化，帮助商家达到既定投进方针。

2. 智能圈词

“查找feed”场景的广告投进经过关键词触发，为广告物料挑选关键词关于查找场景的投进作用至关重要。因而，怎么圈选关键词也是困扰查找客户的一大难题。针对此，咱们经过物料内容了解、用户行为剖析、E&E优选等技术，搭建了智能圈词算法，依据客户的物料主动圈选优质关键词，在保证广告投进作用的一起，下降客户投进门槛。

智能圈词算法的工作原理如下图所示。咱们选用了经典的“召回+优选”两段式架构，在召回阶段主要经过内容了解和用户行为建模两种办法结合发掘潜在关键词。前者对广告物料内容做深化了解剖析，利用“中心词提取”、“语义了解”、“多模态表示学习”等技术，提高物料信息抽取的有用性，并以此发掘高精准关键词；后者则充沛利用途径内的用户行为信息，凭借图神经网络强壮的特征提取和联系推理才能，发现更具目的扩展性的关键词。

优选阶段主要方针是从召回的关键词中挑选作用更优的关键词，咱们将其建模成E&E（Exploit&Explore）问题：保证所有候选关键词都有概率被圈选，取得线上反应数据，并依据投进反应调整关键词的圈选概率，以保证广告投进的长时间收益。

值得注意的是，小红书途径供给了多种不同的广告款式，客户可针对投进诉求自行挑选，例如原生的笔记款式、面向客资收集的表单款式、优化产品销量的产品卡款式等。这种办法可以有用提高客户的投进作用，与此一起，也对智能圈词的优化提出了应战：与笔记款式不同，表单和产品卡款式往往是简略的图文组合，可以直接取得的文字信息较少；另一方面，投进表单和产品卡广告的客户数量显着少于笔记类客户，广告量少、有用日志少等数据稀疏性问题凸显出来。

针对以上问题，咱们首要利用OCR、图片分类等才能，充沛发掘图片物料中的有用信息，并依据中心词识别、查询改写等办法对OCR成果进行扩展，丰厚广告物料特征；在建模的优化上，咱们在语义模型中运用比照学习办法，并引入客户前史投进信息优化练习集，将同客户投进的不同类型物料认定为相似物料，用于构建正样本，以此提高对表单和产品卡物料的建模才能；相同的，咱们将“同客户投进”以及“物料同现”联系归入图模型的建模过程中，以处理前史日志中表单和产品卡款式广告数据稀疏问题。

3. 智能定向

在“发现feed”场景，定向是决议客户投进作用的重要因素。全站智投中，咱们供给了智能定向才能，客户无需显式表达方针人群，召回算法会优选符合客户方针表达的流量进行参竞。

全站智投供给了多种优化方针，如互动、私信、表单提交等，传统的做法会在召回阶段考虑多种方针，设置多个子召回通道进行Topk切断。这种办法一方面开发和维护本钱较高，另一方面会导致客户失去一些符合本钱方针的流量，无法发挥智能出价的最大功效，对大盘流量售卖功率有损。因而，全站智投智能定向选用了LearningToRank（LTR）的办法，对齐精排广告最终排序成果进行召回。从客户视角看，该方案让客户逼近全流量参竞，让智能出价有更大的空间优选流量，提高广告投进作用；从流量视角看，该方案提高了竞价链路的顺利度，提高了流量分配功率。

如下图所示，详细完成层面，召回阶段依据广告最终排序选用LTRPointwise建模，将复杂的排序问题化简为下发率（pSend）预估问题；模型规划选用经典的双塔结构，在满意召回性能要求的一起，优化模型预估的准确率。

4. 智能预算分配

全站智投方案预算，会一起在“发现feed”和“查找feed”场景被耗费，不同场景的流量价格和作用存在差异，因而，高效的操控不同场景的花费对最终的投进效果至关重要。跨场景投进策略主要有两种中心思路：

1.一致的智能出价模块直接进行流量粒度出价（Bid），不同场景供给流量以及流量价值预估分（pValue），如下左图所示。该方案能实时考虑方案的全体预算进行调控，架构清晰，但对体系要求较高，两个场景的投进体系耦合更重，转化率预估的才能也需求对齐。

2.各场景先分配预算，场景内依据分配到的预算各自进行智能出价，如下右图所示。预算分配的成果对最终的投进作用影响很大，一步到位做到最优的预算分配成果比较难，但体系相对解耦，鲁棒性也更好。

小红书在不同场景已经建造了相对独立的投进体系，召回、预估等模块都有差异，考虑到体系鲁棒性和迭代高效性，咱们挑选了依据预算分配的方案。

预算分配的方针和客户投进方针一致，即预算和本钱束缚下最大化价值，假设关于任意场景，咱们已知预算和价值之间的联系，直接最优化求解即可得到各个途径的最优预算分配。关于函数的取得，业界常用的方案是经过成效预估技术来估计，可是实践的广告竞价环境波动大，难得到精准估计的。因而，咱们选用了一种启发式的动态调整预算分配的方案，该方案中心思路是依据预算耗费率和拿量本钱调整场景预算：

• 方案新建时会初始化场景预算分配比例

• 每隔必定时间，依据各个场景的预算耗费率、投进本钱以及束缚超限情况，重新分配预算

5. 智能出价

在实时竞价广告业务中，途径供给给客户的投进才能对其投进作用有显著影响。在传统的点击出价办法中，怎么设定合理的出价以平衡拿量和方针本钱关于客户来说一向是个难题，这使得各场景的投进门槛一向居高不下。

针对上述问题，在全站智投场景下，咱们为客户供给了全主动带束缚的最优化出价方案（MCB，Multi-ConstrainedBidding），客户仅需给定优化方针、预算、方针本钱，途径会依据商家的营销诉求在流量粒度完成高效出价，最大化商家的广告投进功率，在达到客户营销作用的一起提高途径流量功效。

关于智能出价的建模，咱们把问题笼统成带束缚的最优化问题，并依据线性规划的primal-dual办法把原问题转化到对偶空间进行求解，得到最优的出价公式。咱们把智能出价问题做以下形式化，并得到最优出价公式：

如上形式化，该问题是一个带线性束缚的最优化问题，咱们可以直接求解得到最优的流量分配方案（即未知数xix_ixi​的值）。

可是站在客户的视角，只能经过在流量上的出价来影响是否竞得，因而咱们希望能树立出价和竞得与否的联系，经过最优的出价办法来保证竞得流量最优。详细地，咱们尝试把这个问题转换到对偶空间，来找寻客户出价和是否竞得的联系，最终得到含有一个超参数\alpha的最优出价公式。得到了最优出价公式，依据该出价公式进行出价，就能筛选性价比最高的流量，保证投进作用最优（如下左图所示）。

在这个基础上，咱们为每个全站智投方案，以前文的预算分配模块为场景分配预算，得到预算后的每个虚拟方案都会有单独的MCB模型对其投进作用进行在线优化。模型经过反应操控的办法不断调整出价参数，使全天的投进作用在满意预算和本钱束缚的前提下，最大化竞得流量的价值。详细来说，每经过必定时间，MCB模型就会从广告体系中获取方案的前史投进作用数据（如本钱达到率、预算耗费率等），结合当前的出价水位以及未来竞价环境的预估，对出价参数进行动态调整，保证最终的投进作用（如下右图所示）。

6. 未来规划

咱们在小红书内各场景上，已经完结了跨场景联合投进的算法才能建造，未来新的流量场景的接入和投进（如单列发现feed）会继续进行，为广告主带来更多的流量价值。此外，智能投进、智能定向、智能圈词以及智能预算分配，也可以经过愈加先进的算法策略晋级进一步提效。面向终态，跨场景一致出价的架构是愈加高效的处理方案，随着体系才能的加强，咱们也会逐步朝着这个方向进行尝试。

本文作者：商业技术部

彼特(邓超)红莲(杨迅)一也(朱昌磊)

文州(薛栢祥)虎杖(邢纵横)川岛(何悦)