Исследование и практика рекламы с эффектом iQIYI

[iTechnical Meeting] 2020.03.13 Сессия на тему «Обсуждение часто используемых алгоритмов видеорекламы»

Основной контент, которым сегодня делятся, разделен на следующие четыре части: введение рекламных продуктов с эффектом iQIYI, которое в основном знакомит с основными позициями ресурсов рекламы с эффектом iQIYI и соответствующими формами продаж; второе - это введение в практику сортировки рекламы с эффектом. Алгоритм, который в основном представлен здесь. Модель точной сортировки и модель грубой сортировки, используемые в процессе алгоритма сортировки; третий - это практика эффективной рекламной бизнес-стратегии, этот модуль в основном представляет стратегию холодного запуска для новых рекламных объявлений и интеллектуальный стратегия торгов и стратегия двойной цели для торгов. Наконец, на основе вышеперечисленных трех пунктов проводится краткое изложение и перспектива рекламного эффекта.

Рекламные объявления производительности iQIYI в основном делятся на две части: одна — это ресурсы в кадре, которые пользователи видят при просмотре длинных и коротких видеороликов, соответствующие рекламные объявления с исправлениями и реклама с паузой; другая — ресурсы вне кадра. рекламные объявления во внекадровых ресурсах, включая квазиинформационный поток, чистый информационный поток, карту фокуса и стартовый экран, видеосвязь и другие соответствующие рекламные эффекты.

Как показано в правой части рисунка выше, рекламные объявления потока квазиинформации, соответствующие странице рекомендаций на домашней странице, представляют собой четыре важные позиции ресурсов в рекламных объявлениях эффекта iQIYI: поток квазиинформации, поток чистой информации, карта фокуса и исправление. Для различных позиций ресурсов ниже будут представлены основные типы рекламных объявлений о продажах. Эффектная реклама iQIYI в основном предоставляет два типа моделей продаж и выставления счетов: CPX и oCPX. Как вы все знаете, перфоманс-объявления в основном предназначены для мелких и средних рекламодателей. Малые и средние рекламодатели получают доступ к стратегиям назначения ставок в реальном времени для получения показов/кликов и конверсий.

Эффективные рекламные продукты — oCPX

В режиме показа CPX ставки сортируются по ECPM. В режиме CPX ECPM равен ставке, умноженной на PCTR. В процессе показа CPX рекламодатели сталкиваются с тремя проблемами в правом верхнем углу: один из них — стоимость конверсии. нестабилен, а эффект от рекламы Большинство рекламодателей рекламодатели малого и среднего размера в основном ориентируются на конечную конверсию пользователей, включая загрузки, установки и оплату. Модель выставления счетов CPX основана на кликах, что не может гарантировать последующий коэффициент конверсии рекламодателей и соответствующее количество конверсий, что приводит к нестабильной стоимости конверсии. Во-вторых, ручная оптимизация тяжела. Когда рекламодатели используют модель выставления счетов CPX, им необходимо отфильтровать лучшее качество показа, чтобы обеспечить высокий коэффициент конверсии от кликов до последующих конверсий. Рекламодатели обеспечивают качество показа, устанавливая условия таргетинга пользователей, включая пол пользователя, возраст, уровень и канал и т. д.

Чтобы добиться хорошего эффекта преобразования в режиме рекламы CPX. В-третьих, сложность расширения. В случае режима CPX рекламодатели могут делать только ставки кликов. Когда ставка кликов увеличивается, это действительно может достичь эффекта увеличения показа и кликов, но побочными эффектами обычно являются снижение коэффициента конверсии и увеличение стоимости конверсии. .

Поэтому мы попытались внедрить модель oCPX.Формула выставления счетов в рамках модели oCPX представляет собой ставку, умноженную на PCTR, умноженную на PCVR, умноженную на коэффициент интеллектуального назначения ставок.Рекламодателям нужно только установить целевую стоимость при размещении oCPX, а средства массовой информации будут использовать модель алгоритма для разумно размещать рекламу Ocpx. . Далее мы в основном покажем вам наши попытки и практики в модулях PCTR, PCVR и интеллектуальных торгов, чтобы реализовать автоматическое управление рекламой.

Логика воронки сортировки

Прежде чем представить конкретную практику алгоритма сортировки, давайте взглянем на логику воронки сортировки, используемую в процессе сортировки. Когда возникает запрос, он проходит по следующим трем ссылкам и, наконец, достигает отображения рекламы. Первый уровень — это ссылка отзыва. Ссылка отзыва состоит из двух частей: целевого отзыва и интеллектуального таргетинга. Целевой отзыв в основном основан на условиях таргетинга, установленных рекламодателем. Ранее также было введено, что соответствующие рекламные объявления отзываются по городам, регион, пол, возраст и т.д. Интеллектуальный таргетинг заключается в отсеивании рекламных заказов с высоким сходством или расчетным коэффициентом конверсии/расчетным рейтингом кликов в соответствии с условиями таргетинга, установленными рекламодателем, участием в последующих модулях, вызовом и выбором указанного заказа и вводом приблизительного ранжирования. грубое ранжирование включает в себя творческую оптимизацию, упрощенную оценку рейтинга кликов и оценку коэффициента конверсии, а также соответствующий холодный старт. Модуль оптимизации креатива предназначен в основном для выбора лучшего креатива от одного и того же рекламодателя, который может реализовать новизну платформы и улучшить конверсионный эффект платформы.

Облегченная оценка CTR и коэффициента конверсии устраняет потребность в большом количестве рекламных объявлений в отзыве, чтобы войти в расчет облегченной модели в ссылке тонкой настройки, которая используется для логики просмотра рекламы. Холодный старт должен решить проблему, заключающуюся в том, что модель не может делать точные прогнозы, потому что модель не получает данные, сгенерированные этой частью новой рекламы в процессе доставки новой рекламы.

После входа в приблизительный рейтинг небольшое количество рекламных объявлений просматривается и заносится в точный рейтинг.Точный рейтинг включает три модуля: сглаживание бюджета, оценку рейтинга кликов и оценку коэффициента конверсии. Сглаживание бюджета в основном предназначено для решения проблемы, заключающейся в том, что рекламодатели могут плавно расходовать свои бюджеты каждый час в процессе ежедневного расчета рекламодателями своих бюджетов, решая проблему краткосрочных взрывов, вызванных некоторыми рекламодателями из-за лучших ставок или оценок CTR. ., тем самым влияя на конечную стоимость рекламодателей. Оценка кликабельности и оценка конверсии используют более сложную модель оценки для оптимизации небольшого количества рекламных объявлений и выбирают ТОП1 для показа рекламы после сортировки по ECPM. Модуль интеллектуальных торгов охватывает как грубые, так и точные рейтинги.Умные ставки в основном предназначены для обеспечения стабильности стоимости рекламы в течение рекламного процесса, а во-вторых, чтобы иметь возможность расширяться во времени.Поэтому он будет охватывать как грубый рейтинг, так и точное ранжирование сегмент.

Общая основа для алгоритмической практики

Прежде всего, начиная с верхнего потока данных, механизм доставки создает соответствующие данные отслеживания на месте после размещения рекламы.Функции на месте в основном представляют собой журналы для записи в реальном времени конкретных функций, используемых в процессе сортировки. Функции и отслеживание на месте реализуются группой рекламных данных, создающей потоки Kafka и таблицы Hive. Часть данных используется для генерации данных интерфейса HTTP в режиме реального времени, которые используются для расчета параметров интеллектуальных торгов, и, наконец, модуль интеллектуальных торгов передается механизму доставки через базу данных для использования. Мониторинг функций предназначен для отслеживания охвата и колебаний локальных функций, чтобы обеспечить стабильность онлайн-сервисов. Производство функций в основном предназначено для создания функций портрета пользователя. Портрет пользователя здесь включает в себя основные атрибуты пользователя, портрет бизнес-интереса пользователя и портрет рекламного интереса пользователя. Эта часть будет передаваться механизму доставки в историческом режиме и в режиме реального времени. , Модуль синтаксического анализа в основном связывает функции на месте с журналом отслеживания для создания данных, которые необходимо использовать при обучении модели. Выше приведен модуль потока данных.

Автономное обучение включает в себя обучение модели грубой сортировки и обучение модели точной сортировки. При обучении модели грубой сортировки используются данные, полученные в результате анализа признаков, для обучения модели.После завершения обучения выполняется автономный вывод для создания рекламных векторов и пользовательских векторов. Среди них рекламный вектор напрямую передается в грубое ранжирование через промежуточный носитель, а пользовательский вектор передается в механизм доставки, который единообразно обрабатывается механизмом доставки. Обучение модели точной организации в основном включает использование обучающих данных, полученных в результате анализа признаков, для выполнения обучения модели FM и глубокого обучения модели, создания параметров калибровки смещения после завершения обучения модели и, наконец, публикации модели.Рейтинг используется для рассуждений, а глубокая модель публикуется в TF, служащем для онлайн-рассуждений.

Наконец, вводится онлайн-модуль рассуждений: когда поступает запрос, механизм доставки получает портрет пользователя, вектор пользователя, контекстуальные характеристики и интеллектуальные коэффициенты ставок и помещает эту информацию и рекламные объявления, которые необходимо отсортировать, в модуль грубой сортировки. , и запрос грубой сортировки будет грубым. Ранжирование использует произведение вектора пользователя и вектора рекламы для выполнения грубого отбора рекламных объявлений. После фильтрации небольшого количества рекламных объявлений он поступает в модуль точного ранжирования. передает данные о характеристиках пользователя и некоторую дополнительную информацию, полученную от механизма доставки, в ранжирование с помощью данных о рекламном бизнесе.Вывод модели FM при получении данных о рекламном бизнесе или вызов запроса TFserving для получения расчетного коэффициента конверсии. После получения соответствующих результатов они возвращаются в модуль доводки в механизме доставки для отсеивания лучших рекламных объявлений для показа рекламы.

Модуль обучения модели

Обучение модели, включая грубую и точную сортировку. Основная причина грубой сортировки заключается в том, что модель точной сортировки тяжелая, а производительность онлайн-рассуждений низкая.Для большого количества рекламных объявлений, которые не могут быть обработаны отзывом, создается модуль грубой сортировки.Основной целью грубой сортировки является проблема эффективности рассуждений. Мы пытались использовать FM-модель в начале чернового макета, но с развитием рекламного бизнеса FM-модель далека от удовлетворения потребностей в эффективности онлайн-рассуждений, поэтому мы представили модель башен-близнецов, показанную на рисунке. ниже.

Модель башни-близнеца создает пользовательские векторы и творческие векторы соответственно и реализует эффективное онлайн-рассуждение посредством произведения двух векторов. После решения рассуждений нам нужно убедиться, что модуль грубой строки можно оценить более точно, и в основном улучшить способность прогнозирования модели тремя способами.

Один из них — многомерные функции, добавляющие как можно больше пользовательских и творческих функций в процесс обучения модели. Второй — это метод встраивания функций.Мы пытаемся выполнить операцию встраивания для многозначных функций пользовательского портрета, а также для непрерывных функций и функций рекламной стороны, чтобы улучшить способность представления функций. Наконец, логика MLP с различными структурами используется для пользовательского вектора и креативного вектора, чтобы улучшить способность модели к обобщению, так что произведение выходного пользовательского вектора и креативного вектора может хорошо представлять окончательный расчетный рейтинг кликов и коэффициент конверсии.

После решения проблемы точности оценки нам необходимо рассмотреть возможность работы с новыми рекламными объявлениями, что требует своевременного обновления модели.Мы поддерживаем новый рекламный бизнес посредством полного обучения на дневном уровне и логики творческого мышления на уровне дня. уровень часа, который в основном относится к «Каждый час», творческий вектор получается путем логических рассуждений с правой стороны и передается в механизм доставки для использования, чтобы черновая строка могла лучше поддерживать новую рекламу.

Оценки CTR, используемые в модуле уточнения

В процессе запуска объявлений о производительности iQIYI до сих пор мы провели в общей сложности четыре основных итерации версии. Они заключаются в следующем. Первая версия представляет собой модель логистической регрессии, в которой используются функции бизнес-портрета пользователя, функции контекста и функции рекламного бизнеса для подбора и оценки рейтинга кликов. Однако в процессе логистической регрессии, поскольку модель относительно простой, мы хотим повысить точность оценки. Чтобы решить эту проблему, мы пытаемся ввести модель FM. Преимущество модели FM заключается в том, что она может построить низкоразмерный вектор для получения комбинированного эффекта пересечение признаков. Кроме того, на основе FM мы построили характеристики рекламных портретов пользователей.

После завершения итерации FM мы столкнулись с проблемой своевременности данных и модели, поэтому мы попытались внедрить FM с онлайн-обучением, чтобы добиться обновления и обучения модели в реальном времени, и в то же время построить функции рекламного портрета пользователя в реальном времени на основе FM, чтобы улучшить расчетную точность модели.

Модель FM использует малоразмерные векторы для попарного кросс-комбинации.Позже мы обнаружили, что способность модели и функций к выражению была недостаточной, поэтому мы попытались ввести глубокое обучение и использовать встраивание в глубокое обучение, чтобы улучшить способность представления функций . Улучшите обобщение модели, используя логику MLP.

Первое, с чем приходится сталкиваться при внедрении глубокой модели, — это выбор модели, здесь мы сравниваем широкую глубокую модель, модель DNN и модель DCN. По сравнению с моделью DNN, широкая глубокая модель может улучшить способность памяти модели за счет широкой части слева, и левая часть также может быть быстро повторена. По сравнению с моделью DCN, широкая глубокая модель может достичь того же AUC, что и автономная оценка с DCN.Сложность ее реализации и эффективность онлайн-рассуждений намного ниже, чем у DCN, поэтому мы, наконец, выбрали широкую глубокую модель. После выбора модели выполняется оптимизация широкой глубокой модели, в основном для скорости обучения, оптимизатора, оператора скрытого слоя и количества нейронных единиц в каждом скрытом слое. Подробная структура модели показана на рисунке справа и здесь повторяться не будет.

Наконец, чтобы обеспечить плавную онлайн-приземление Wide deep и оптимизировать эффективность рассуждений, мы объединились со студентами вычислительного облака для оптимизации Hash OP и повторных вычислений и, наконец, реализовали онлайн-приземление. Логика повторного расчета в основном означает, что для одного и того же запроса разные рекламные объявления должны оценивать соответствующий рейтинг кликов, но характеристики пользовательской и контекстной стороны этих рекламных объявлений совпадают, поэтому эта часть повторного расчета исключается. , чтобы добиться эффективного онлайн-рассуждения.

Оценки коэффициента конверсии

Прежде всего, подумайте, можно ли повторно использовать модель widedeep, используемую для оценки CTR, ответ определенно невозможен. Основная трудность, возникающая при оценке коэффициента конверсии, заключается в том, что существует много целей конверсии.В настоящее время вся рекламная платформа iQIYI поддерживает загрузку, установку, отслеживание WeChat, активацию, регистрацию и т. д., а во-вторых, данные о конверсии невелики, и общее количество конверсий составляет 100 000 уровней в день, и в основном они сосредоточены на регистрации и внимании к WeChat, остальные целевые данные о конверсиях меньше, третье - использовать клики и конверсии как положительные и отрицательные образцы, но коэффициент конверсии будет оцениваться для всех запросов на воздействие, что приводит к выборкам для обучения и вывода. В распределении есть отклонения. В-четвертых, коэффициенты конверсии, соответствующие разным местоположениям ресурсов и разным типам конверсий, сильно различаются. Как и в одном из примеров, коэффициент конверсии загрузка и отслеживание WeChat может достигать 5-10%, а форма оплаты и отправки может достигать баллов 1000. Если коэффициент конверсии равен единице или даже ниже, для решения четырех проблем, возникающих в процессе оценки коэффициента конверсии, используются следующие методы. .

Одной из них является модель многоцелевой учебной задачи.Модель многоцелевой учебной задачи в основном делится на основную задачу и вспомогательную задачу.В процессе основной задачи нейронная сеть, в которой преобладает PCVR, и нейронная сеть, дополненная PCTR построены, и два умножаются вместе.Чтобы получить PCTCVR, при обучении в автономном режиме потери, полученные в PCTCVR, и потери, полученные PCTR, складываются для совместного обучения.

С помощью вспомогательных обучающих задач мы можем изучить PCVR, решить проблему несбалансированных данных преобразования и несбалансированных выборок данных преобразования. В процессе добавления потерь выполняется взвешенное исследование и обучение для решения проблемы несоответствия между двумя потерями. Представленный общими функциями, PCVR может изучать информацию, соответствующую образцам без кликов, чтобы решить проблему разреженных образцов Эта часть также может решить проблему смещенных образцов, упомянутую в предыдущем вопросе. Наконец, в онлайн-процессе рассуждений требуется только сторона PCVR, что может значительно повысить эффективность онлайн-рассуждений.

Калибровка дополнительного модуля

Причина существования калибровки в том, что в процессе сортировки ECPM, PCTR и PCVR умножаются на ставку.PCTR и PCVR должны быть согласованы с рейтингом кликов и коэффициентом конверсии, чтобы сделать ECPM относительно стабильным. Но может ли в процессе оценки модели расчетный рейтинг кликов или предполагаемый коэффициент конверсии соответствовать рейтингу кликов или коэффициенту конверсии? Ответ обычно отрицательный, в основном по трем причинам, показанным слева. Одной из них является проблема больших отклонений в оценках новых рекламных объявлений. Ранее мы также упоминали, что в процессе новых рекламных объявлений из-за отсутствия накопления исторических данных обычно возникают большие отклонения в оценках, которые показывают, что некоторые рекламные объявления не могут быть реализованы. быть выставлены, и некоторые рекламные объявления не могут быть выставлены Расчетное значение слишком велико. Вторая проблема атрибуции положительных и отрицательных выборок, на примере коэффициента конверсии, когда коэффициент конверсии генерируется для обучающих выборок, из-за проблемы задержки конверсии набор обучающих данных обычно не может полностью покрыть все преобразованные выборки, что приведет к нашей окончательной оценке. Результирующий коэффициент конверсии будет намного ниже, чем фактический коэффициент конверсии. Проблема несоответствия между точностью и стабильностью.В процессе практики мы обнаружили, что модель находится в процессе оценивания.Обычно, чем выше оценочное значение PCTR или PCVR, тем больше соответствующая дисперсия.Здесь PCTR или PCVR Это связано со стабильностью, что приводит к неточной оценке модели в целом и, наконец, вводит логику калибровки.

При калибровке PCTR и PCVR мы соответственно используем разные методы калибровки. Модуль PCTR использует логику калибровки регрессионной сегментации с сохранением порядка, которая не только группирует данные PCTR для формирования взаимно однозначного сопоставления между исходным PCTR и окончательным PCTR, но и генерирует окончательный PCTR в режиме онлайн.Логика PCVR отличается из PCTR Основная причина в том, что количество положительных образцов PCVR невелико, и модель может не иметь хорошей степени дискриминации или статистической погрешности для сортировки, поэтому мы пытаемся использовать аддитивную калибровку сегментации, в основном через исходный PCVR значение плюс метод смещения для онлайн-оценки сортировки. Выше приведены основные модули алгоритма сортировки.

Практика перфоманс-рекламы для бизнес-стратегии

Модуль холодного запуска предназначен в основном для решения проблем Exploit и Explore, а также для решения проблемы неточной оценки модели.Неточная оценка модели в основном связана с существованием распределения между реальным распределением рейтинга кликов и расчетный рейтинг кликов после торгов Отличие, обучение модели, заключается в том, что для обучения используются отсеянные моделью образцы, тем самым формируется эффект Мэтью.

Существует четыре основных подхода, которые мы используем для предоставления новой рекламы. Во-первых, количество дополнительных новых рекламных объявлений добавляется к логике канала от грубой гребенки к точной гребенке, чтобы гарантировать, что новые рекламные объявления могут стабильно поступать в модуль точной гребенки. В то же время были добавлены поддержка экспозиции, поддержка конверсий и поддержка мультирекламных измерений. Поддержка в основном достигается за счет изменения цены за тысячу показов. Когда количество просмотров или конверсий новой рекламы меньше указанного порога, исходный ECPM используется в фактическом выставлении счетов, что гарантирует, что новая реклама может быстро накапливать данные о показах и конверсиях с небольшими затратами во время доставки. процесс.

Важнейший модуль в процессе отработки стратегии — интеллектуальные торги

Согласно формуле расчета ECPM, ECPM равен PCTR, умноженному на PCVR, умноженному на конверсионную ставку, умноженному на коэффициент Smart Bidding. Основная цель факторов Smart Bidding — контролировать потребление увеличения затрат. Когда рекламодатель устанавливает целевую стоимость конверсии, когда целевая стоимость выше стоимости конверсии в процессе рекламы, мы увеличиваем потребление рекламы за счет увеличения ставки.Когда целевая стоимость конверсии ниже фактической стоимости конверсии, мы уменьшаем интеллектуальный фактор назначения ставок. Осуществляйте контроль над расходами. Далее мы познакомим вас с различными процессами обработки, которые мы пытались использовать для улучшения работы Smart Bidding.

Во-первых, это стратегия динамической корректировки затрат. В динамике затрат расчет коэффициента интеллектуального назначения ставок и оставшегося бюджета рекламного дня, ожидаемого количества конверсий и ставки объединяются для определения окончательного результата коэффициента интеллектуального назначения ставок. для управления рекламной логикой На основе динамической корректировки затрат Выше мы пытаемся увеличить четыре стратегии, показанные справа, для достижения плавной рекламы.

Во-первых, это проверка золотой стратегии.Если в рекламном процессе произойдет кратковременный взрыв, это может вызвать большое отклонение.Умный биддинг будет серьезно контролировать его объемную логику, образуя порочный круг. Логика нашей дневной стратегии увеличения тестового золота позволяет тестировать рекламу каждый день, чтобы максимально уменьшить порочный круг, возникающий в процессе доставки.

Второй и третий — праздничный и вечерний пик роста соответственно. Из-за большого объема трафика во время праздничного и вечернего пика и лучшего эффекта конверсии рекламодатели должны быть агрессивными, чтобы своевременно получать больше показов и конверсий. ● Отрегулируйте коэффициенты интеллектуального назначения ставок. В-четвертых, плавно увеличивать объем.Существуют такие проблемы, как отложенная конверсия и централизованный возврат во время рекламного процесса, что приведет к быстрому увеличению коэффициента интеллектуальных торгов, создаваемого при динамической корректировке затрат, что приводит к краткосрочным проблемам воздействия. для рекламодателей. Мы можем добиться бесперебойной доставки рекламы с помощью логики плавного расширения.

Рассматривая стратегию динамической корректировки стоимости, мы рассмотрели следующие вопросы, могут ли рекламодатели агрессивно увеличивать объем качественного трафика в процессе расширения объема и минимизировать шансы получить объем за некачественный трафик. Мы внедрили стратегию оптимизации трафика.Стратегия оптимизации трафика в основном сравнивает значение PCTCVR, оцененное модулем точной настройки, со средним историческим значением PCTCVR.Когда значение PCTCVR больше среднего исторического значения, мы считаем трафик высоким -качественный трафик, и продолжайте на основе предыдущего шага, увеличивая коэффициент Smart Bidding. Когда PCTCVR ниже предыдущего среднего значения, мы считаем это некачественным коэффициентом Smart Bidding для сокращения трафика.

В соответствии со стратегией управления распределением ресурсов iQIYI использует несколько различных рекламных ресурсов в процессе рекламы, а затраты на конверсию и коэффициенты конверсии, соответствующие различным рекламным ресурсам, также несовместимы. различные биты ресурсов рассчитываются отдельно, чтобы коэффициент интеллектуального назначения ставок мог точно настроить рекламу.Как показано на рисунке справа, когда целевая стоимость конверсии превышает фактическую стоимость конверсии в процессе показа рекламы, увеличение Фактор Smart Bidding приводит к увеличению цены Smart Bidding, и можно получить больше показов, тем самым решая проблему плавного распространения рекламы.

Наконец, он вводит логику двухцелевого назначения ставок, используемую в практике бизнес-стратегий. В процессе рекламы рекламодатели обычно обращают внимание на затраты на внешний и внутренний интерфейс. Внешний интерфейс обычно включает в себя загрузку и активацию и т. д. . Условно говоря, количество конверсий относительно велико. Если целей конверсии много, внутренние затраты включают в себя оплату, вторичное бронирование, размещение заказа и т. д. Данных о конверсиях мало, и напрямую обучить модель невозможно. . Стоимость и внутренняя стоимость конверсии, мы устанавливаем и рассчитываем соответствующий коэффициент интеллектуального назначения ставок и коэффициент интеллектуального назначения внутренних ставок соответственно. Коэффициент интеллектуального назначения внутренних ставок находится в состоянии большого объема и выбирается наибольшее значение между двумя, чтобы увеличьте объем.Бак-энд стоимость не удовлетворена/появляется Когда отклонение большое, мы добавим всю операцию к двум, а вес будет определяться внутренней стоимостью конверсии.Чем больше бэк-энд конверсий , тем выше доля конечного фактора интеллектуального назначения ставок, и окончательная реализация отклонения внутренних затрат рекламодателя невелика. Проблема.

Вышеупомянутый контент, соответственно, знакомит с рекламными формами эффектной рекламы iQIYI, а также с соответствующей практикой алгоритма ранжирования и практикой рекламной стратегии.Основная конференция будет постепенно уделять больше внимания внутренним затратам, что предъявляет более высокие требования к медиа-стороне. В последующем рекламном продвижении эффективности основным ключевым путем является глубокое понимание бизнес-сценариев, сбор и расширение достаточных и эффективных данных, а также продолжение итерации и оптимизации модели сортировки на основе данных, и, наконец, используйте его для различных целей конверсии.Многоцелевое трансферное обучение и решение таких проблем, как задержка перевода. Для того, чтобы добиться более устойчивой способности монетизации производительной рекламы.