开屏广告作为小红书品牌广告的重要组成部分，已成为许多品牌客户触达方针用户、完成品牌营销诉求的强力助推器。小红书开屏广告的投进战略，既要满意客户对保量和作用的诉求，还要统筹对用户体会的影响。由此咱们配套了“流量优选+动态决议计划”计划，从开屏广告流量优选的形式化动身，推导得到最优分配战略，依据反应调理完成了在线的流量分配；一起为尽或许缩短开屏场景下用户的等待时刻，咱们规划了动态决议计划机制，在满意用户体会要求的前提下完成了流量优选。

1. 小红书开屏广告简介

开屏广告会在用户翻开小红书 APP 时进行全屏展现，整屏曝光带来的沉溺式视觉体会，能够高效帮助品牌和产品提升用户认知。配合丰厚的交互款式与落地页类型，小红书开屏广告已成为许多品牌在新品上市、品牌活动等期间快速触达方针用户的强力助推器。

现在小红书的开屏广告首要支持以合约的方法售卖，即客户采买流量时，提早与渠道承认预订的曝光量，在投进当天由渠道主动投进并确保曝光量满意预期。

近年来在品效结合的大布景下，除了保量，投进开屏广告的客户更期望渠道能够优化广告的投进作用。在实践的事务场景中，客户首要依据 CTR 来评估广告的投进表现。过去小红书的开屏广告投进更多注重的是订单保量，未充分考虑怎么优化投进作用，咱们期望经过将投进战略升级为流量优选，在满意订单保量的前提下，优化开屏广告的 CTR。

接下来咱们将分两部分介绍小红书开屏广告的投进战略：

●榜首部分介绍咱们怎么在较为理想的情况下经过流量优选满意客户对开屏广告保量和作用的诉求。 咱们从问题界说与形式化动身，经过推导得到流量优选的最优分配战略，并依据反应调理完成了在线的流量分配；

●第二部分介绍决议计划机制升级 。 在工程落地时，因为小红书对用户体会的高要求，APP 发动时刻被紧缩得很短致使难以进行实时广告决议计划，咱们规划了异步决议计划的计划，并在此基础上进一步完成了开屏广告的动态加载机制，在满意用户体会要求的前提下落地了开屏的流量优选。

2. 流量优选

小红书开屏广告的流量优选，方针是在满意保量的基础上，尽或许优化广告 CTR。这是一个典型的流量分配问题，业界针对此类问题的常⽤做法是对分配问题进⾏形式化建模，并经过对偶求解的⽅式将问题进⾏转化，求解出流量最优分配公式，然后依据最优分配公式，选用反应调理的方法完成流量优选的落地。遵循这一思路，咱们先介绍问题形式化建模与求解。

问题界说与求解

咱们界说开屏全天流量集合为{pvi∣i=1,2,3,…,n}\{pv_i \ | \ i = 1,2,3,\dots,n\}{pvi​∣i=1,2,3,…,n}，广告订单集合为{orderj∣j=1,2,3,…,m}\{order_j \ | \ j = 1,2,3,\dots ,m\}{orderj​∣j=1,2,3,…,m}，每个订单的保量方针为djd_jdj​，用xi,j∈[0,1]x_{i,j} \in [0,1]xi,j​∈[0,1]表明流量优选的成果，xi,j=1x_{i,j} = 1xi,j​=1则表明第$i$个流量被分配给了第$j$个订单；pctri,jpctr_{i,j}pctri,j​表明第$j$个订单在第$i$个流量上的 pctr；考虑到在一些特定的事务场景中，某些订单分外需求优化 CTR，咱们引进了点击价值权重vjv_jvj​以表明不同订单 CTR 优化的重要性。依据上述参数界说，能够将流量优选问题建模为：

其间公式(1)表明每个订单均需求满意保量约束，公式(2)表明每个流量最多只能分配给一个订单。

考虑到实践投进时，或许因为售卖过多导致无法保量，从而上述问题无解，因而引进各个订单的缺量赏罚权重wjw_jwj​，将问题转化为：

上述问题作为典型的线性规划问题，经过对偶改换和互补松懈定理推导，可得最优的排序分 (rank score) 计算公式为：rank_scorei,j=pctri,j⋅vj+wj−j\begin{array}{l l} rank\_score_{i,j} = pctr_{i,j} \cdot v_j + w_j – \alpha_j \end{array}rank_scorei,j​=pctri,j​⋅vj​+wj​−j​​，其间j\alpha_jj​为第$j$个订单保量约束的对偶变量。

该最优公式对应的流量优选战略为：同一流量上一切订单依据上述公式计算各自的 rank score，如果有订单的 rank score 大于0，则 rank score 最大的订单竞得该流量；如一切订单的 rank score 均小于0，则无订单竞得该流量，用户在本次发动 APP 时不会看到开屏广告。

在线分配战略

经过问题形式化和推导，咱们得到了最优的流量分配战略。在假定全天流量集合已知的前提下，能够直接经过 LP 求解的方法得到每个订单的最优j\alpha_jj​，从而计算每个订单在悉数流量上的 rank score，得到流量优选的成果。实践落地时考虑到每天开屏的广告流量会有一定动摇，线上的流量是难以预知的，因而无法直接求解。咱们参考业界的常见计划，将 LP 问题求解转化为参数调控问题，选用反应调理的方法动态更新每个订单的j\alpha_jj​。

依据公式rank_scorei,j=pctri,j+wj−j\begin{array}{l l} rank\_score_{i,j} = pctr_{i,j} + w_j – \alpha_j \end{array}rank_scorei,j​=pctri,j​+wj​−j​​和对应的流量分配战略，当 rank score 小于0时，订单是无法参竞对应的流量的，即每个订单只能参竞满意pctri,j+wj≥j\begin{array}{l l} pctr_{i,j} + w_j \geq \alpha_j \end{array}pctri,j​+wj​≥j​​的流量，参数j\alpha_jj​直接决议了订单orderjorder_jorderj​的参竞流量规模。更进一步剖析参数j\alpha_jj​对订单投进的影响：对于恣意一个订单orderjorder_jorderj​，在实践分配流量时，如果下调j\alpha_jj​，则该订单满意pctri,j+wj≥j\begin{array}{l l} pctr_{i,j} + w_j \geq \alpha_j \end{array}pctri,j​+wj​≥j​​的流量会添加，参竞流量添加，且整体的 rank score 会上涨，可竞得的流量增多，从而加快投进速度；反之则投进速度变慢。反应调理的思路就是依据各个订单的投进进度，动态调整每个订单的j\alpha_jj​，从而在达到保量方针的前提下优化投进作用。

详细的计划上，算法战略每隔一段时刻（比方5分钟）会获取在投的开屏广告当天累计的曝光量，一起结合不同订单的保量方针和大盘流量的散布，得到每个订单预期的曝光量。对于每个订单，单独依据各自的预期曝光量和实践曝光量，反应更新各个订单的j\alpha_jj​。从实践投进的作用来看，这种方法能够较好地在达到保量方针的前提下，优化开屏广告的 CTR。

3. 决议计划机制升级

用户体会高要求

对小红书这样一个社区渠道来说，广大用户是渠道得以持续发展的根基，一直以来小红书对用户体会都尤为注重。咱们不期望因为开屏广告让用户在发动APP时等待太久，导致用户体会欠安甚至用户流失，因而APP的发动时长被紧缩得很短。

那么之前小红书的开屏广告是怎么满意发动时长要求的呢？
前期小红书的开屏广告，选用的是提早加载物料+决议计划的机制，来躲避APP发动时长约束的影响。因为开屏首要支持合约售卖，因而在每天开端投进前就现已确认了当天要投进的广告。前期一方面考虑到广告数量相对较少，能够提早将一切物料加载到用户手机上；另一方面还能够依据现已售卖的广告订单，提早计算每个用户的曝光内容，并将计算成果下发到用户的手机上，标示每个用户当天每一次看到的广告内容。
这种提早决议计划广告曝光成果的方法，尽管不会受到 APP 发动时长约束的影响，但也不会依据每个订单的投进情况动态调整用户看到的广告内容，无法适配流量优选的反应调控，难以充分释放流量优选的作用。为了适配流量优选，业界一般的做法是在开屏场景落地广告内容的实时决议计划，即每次用户在翻开 APP 时，由客户端实时恳求广告体系在线决议计划，并将成果回来给客户端完成广告曝光。
然而在小红书的开屏场景中，因为APP的发动时长很短，许多时分有限的时长无法支持咱们完成“广告恳求→在线决议计划→成果下发”的整个过程，因而无法像其他渠道相同，完成实时决议计划。为了处理这一问题，咱们规划了一套新的决议计划机制，在满意APP发动时长要求的前提下，完成广告内容的决议计划，释放流量优选的作用。

异步决议计划机制

上文说到，许多时分 APP 发动的执行时刻不足以决议计划“本次”开屏曝光的内容，咱们就转化思路，仍旧保持提早加载悉数物料的机制，但是调整广告决议计划的方法。咱们假定绝大多数用户的兴趣在相邻两次开屏曝光之间不会有大的改变，这样就能够在尽或许不损失广告投进作用的前提下，将决议计划机制从决议计划“本次”调整为决议计划“下次”开屏曝光的内容。经过异步交互，每次广告恳求回来的成果，用于下一次用户在开屏的曝光，这样就不受APP发动时长的约束，完成开屏广告的流量优选。这种异步决议计划机制的详细逻辑能够参考下图：

在用户完成开屏广告曝光之后，APP 会建议广告恳求，广告体系会依据流量优选决议计划该用户下一次开屏广告的展现内容并回来，客户端会将回来成果缓存到本地；在下一次用户翻开 APP 时，读取 APP 的本地缓存，为用户展示相应的广告，并在完成曝光后持续恳求接下来的广告内容。

动态决议计划机制

异步决议计划机制也不是十全十美的，在异步机制下，广告恳求和曝光之前有天然延时，从而使得流量优选存在决议计划延时，影响优选的作用。为了提升开屏广告决议计划的时效性，一方面咱们恰当添加了异步决议计划的恳求机遇，尽或许缩短流量优选中“恳求→曝光”的间隔；另一方面，咱们也在一些 APP 发动时长更长的流量中，落地了实时恳求，进一步提高广告决议计划的时效性。

详细的计划是，咱们依据 APP 发动的类型将广告流量分为热启和冷启两部分，热启首要指 APP 从后台切换至前台时曝光的开屏广告，此刻 APP 的发动流程很短，咱们选用直接读取已有的异步决议计划成果的方法确认本次发动展示的广告；冷启则是 APP 从无后台的状况发动时的开屏广告，因为涉及 APP 初始化等流程，发动时刻较长，能够选用实时恳求的计划，执行完整个“广告恳求→在线决议计划→成果下发”的流程。经过“热启+异步决议计划”和“冷启+实时决议计划”，咱们完成了小红书开屏广告的动态决议计划机制，并在此基础上落地了开屏广告的流量优选。

线上实践证明了咱们的计划有效性，相比前期的保量优先+提早决议计划的组合战略，新的流量优选+动态决议计划计划能够在满意开屏合约广告的保量要求的前提下，大幅提升广告的 CTR ；且不同于业界常见的实时决议计划计划，动态决议计划计划对APP发动时长根本没有影响，尽或许缩短了用户的等待时长，保障了小红书开屏的用户体会。

4. 未来规划

为了满意客户对保量和投进作用的诉求，一起考虑到小红书开屏场景对用户体会的高要求，咱们落地了“流量优选+动态决议计划”机制这一整套处理计划，达到了事务方针。未来的迭代首要分为以下几个方向：

1）参数调控方面，现在流量优选的参数调控选用了不同订单独立更新的战略，各个订单的参数更新相互影响，未来会考虑选用依据 RL 或 MPC 的更杂乱的调控战略处理上述问题；

2）延时决议计划方面，在动态决议计划机制下，广告恳求→曝光的延时普遍存在，从而影响投进的作用，后续会考虑在线上决议计划时引进对用户后续行为的预估进行优化；

3）物料加载方面，开屏广告的物料仍选用的是全量提早加载，随着广告物料数的增多会影响体系功能并添加客户端的存储担负，咱们也会探究实时物料加载机制，削减非必要的物料下发。

5. 作者简介

蜡笔 （韩仲醒） 小红书信息流广告算法部

小红书机制战略算法工程师，硕士结业于中国科学院大学，在作用广告和品牌广告的机制战略方面有较为丰厚的经验，现在首要从事品牌广告机制战略相关的作业。

旭 凤（田增光） 小红书商业技术工程部

小红书商业化后端开发工程师，硕士结业于北京邮电大学，先后从事作用广告、品牌广告方向的引擎架构建造和产品才能建造，现专注于商业化品牌广告的持续迭代。

青 山（邢志壮） 小红书信息流广告 算法部

小红书机制战略算法工程师，硕士结业于北京邮电大学，先后在品牌广告、客户机制方向从事相关作业，现专注于品牌广告和流量机制方向的相关研讨和探究。