详解小红书广告投放机制，如何利用算法实现全站自动投放各种场景通过广告触达消费者，如何高效跨场景投放广告一直是困扰广告主的难题。一、小红书全站介绍知投小红书是一个生活内容社区和消费决策平台。当商家想要吸引更多用户在小红书消费时，有多种渠道可供选择（下图从左到右“DiscoveryFeed”和“SearchFeed”中的广告内容），多渠道投放发布可以更大范围、更高概率触达潜在用户，从而达到宣传产品、服务消费者的目的。然而，要达到这样的多渠道联合推广效果并不容易。广告主需要在小红书的广告平台上针对“DiscoveryFeed”和“SearchFeed”构建多个推广方案，每个方案都需要给出合理配置（预算、关键词、定位、出价方式等）的复杂度和难度，才能做到想象中的。这种通过人工配置完成的组合投放效率低下，难以形成“1+1>2”的协同效应。此外，“searchfeed”广告的关键词选择和“discoveryfeed”广告的人群针对性选择也一直是很多广告主的噩梦。选的太宽，效果不好，选的太精，用量不够。小红书“全站智投”是为解决上述商户的营销痛点而推出的智能营销工具。搭载一系列智能算法（智能圈词、智能定位、智能竞价、智能预算分配）。如下图，商家只需给出总体预算和目标成本（例如1000元预算，2元互动成本）即可快速推广，平台会自动为不同渠道创建虚拟计划并提供全方位的效果保证。这里的智能算法搭载了广告行业最先进的AI能力，并基于大数据不断优化，帮助商家实现既定的投放目标。2、智能圈词“搜索推送”场景的广告投放是由关键词触发的，广告素材关键词的选择对于搜索场景的投放效果非常重要。因此，如何圈选关键词也是困扰搜索客户的一大难题。针对这一点，我们基于素材内容理解、用户行为分析、E&E优化等技术构建智能词圈算法，根据客户素材自动圈选优质关键词，降低客户投放门槛，同时确保广告的有效性。智能圈词算法的工作原理如下图所示。我们采用了经典的“召回+优化”两阶段结构。在召回阶段，我们主要结合内容理解和用户行为建模来挖掘潜在关键词。前者对广告素材内容进行深入理解和分析，利用“核心词提取”、“语义理解”、“多模态表示学习”等技术，提高素材信息提取的有效性，挖掘高-精准关键词；后者则充分利用平台内的用户行为信息，借助图神经网络强大的特征提取和关系推理能力，发现更具意向性可扩展性的关键词。优化阶段的主要目标是从召回的关键词中选出效果较好的关键词。我们将其建模为一个E&E（Exploit&Explore）问题：保证所有候选关键词都有被圈的概率并获取在线反馈数据，并根据投放反馈调整关键词的圈选概率，从而保证长-广告投放的长期好处。值得注意的是，小红书平台提供了多种不同的广告风格，客户可以根据自己的需要进行选择，比如原生的备注风格、客户信息收集的表格风格、优化产品销售的产品卡片风格等。这种方式可以有效提高客户的发货效果。同时，也对智能圈词的优化提出了挑战：与笔记样式不同，表单和产品卡片样式往往是图文的简单组合，直接获取文本信息。另一方面，放置表格和产品卡片广告的客户明显少于做笔记的客户，广告少、有效日志少等数据稀疏性问题凸显。针对以上问题，我们首先利用OCR、图像分类等能力，充分挖掘图像素材中的有效信息，并基于核心词识别、query改写等扩展OCR结果，丰富广告特征材料;在建模的优化上，我们在语义模型中采用比较学习的方法，引入客户历史配送信息的优化训练集，将同一客户配送的不同类型的物料识别为相似物料，并以此构建正样本，从而提高表格的准确性和商品卡材料的建模能力；同样，我们将“同客投放”和“素材共现”的关系纳入图模型的建模过程，解决历史日志中表单和产品卡片样式广告数据稀疏的问题。3、智能定向在“发现推送”场景中，定向是决定客户投放效果的重要因素。在全站智能招商中，我们提供智能定向能力，客户无需明确表达目标人群，召回算法会优化符合客户目标表达的流量参与竞争。全站智投提供多种优化目标，如交互、私信、表单提交等，传统做法会在召回阶段考虑多个目标，设置多个子召回通道进行Topk截断。一方面，这种方法的开发和维护成本很高。另一方面，会导致客户错失部分符合成本目标的流量，无法发挥智能竞价的最大效用，损害市场流量销售效率。因此，全站直投的智能投放采用了LearningToRank（LTR）的方法来调取微调广告的最终排名结果。从客户的角度来看，该方案让客户接近全流量参与竞争，让智能竞价有更大的空间来优化流量，提升广告投放效果；从流量的角度来看，该方案提高了竞价环节的流畅度，增加了流量分配效率。如下图所示，在具体实现层面，recall阶段根据广告的最终排名采用LTRPointwise建模，将复杂的排名问题简化为预测分发率（pSend）的问题；模型设计采用经典的双塔结构，在满足召回性能要求的同时，优化模型估计的准确性。4.智能预算分配全站智能招商计划的预算会在“发现提要”和“搜索提要”场景中同时消耗。不同场景的流量价格和效果是不一样的。因此，有效控制不同场景的成本，对最终的投放效果非常重要。跨场景投放策略有两个核心思路：1.统一的智能竞价模块直接进行流量粒度竞价（Bid），提供不同场景下的流量和流量价值预测点（pValue），如下左图所示.该方案可以实时考虑到计划的整体预算进行调控，结构清晰，但对系统要求高，两个场景的投放系统耦合度较高，转化率高估计能力也需要调整。2.先为每个场景分配预算，根据分配的预算在每个场景中进行SmartBidding，如下右图所示。预算分配的结果对最终交付效果影响很大。一步到位很难达到最优的预算分配结果，但系统相对解耦，更健壮。小红书针对不同场景构建了相对独立的投放体系，召回、预估等模块各不相同。考虑到系统的健壮性和迭代效率，我们选择了基于预算分配的解决方案。预算分配的目标与客户交付的目标一致，即在预算和成本约束下实现价值最大化。假设对于任何场景，我们知道预算和价值之间的关系，我们可以直接优化解决方案以获得每个渠道的最优预算分配。对于功能的获取，业界普遍采用的方案是通过效果预估技术进行预估，但实际广告竞价环境波动较大，很难得到准确的预估。因此，我们采用启发式方案来动态调整预算分配。该方案的核心思想是根据预算消耗率和获取成本来调整场景预算：在新建计划时，每隔一定时间会初始化场景预算分配比例，根据每个场景预算消耗率、投放成本和约束超限，重新分配预算5.智能竞价在实时竞价广告业务中，平台为客户提供的投放能力对其投放效果有显着影响。在传统的点击竞价方式中，如何设置合理的竞价以平衡流量和目标成本一直是困扰客户的难题，这使得各个场景的进入门槛居高不下。针对以上问题，我们为客户提供全站智能投资场景下的全自动约束最优投标方案（MCB，Multi-ConstrainedBidding）。客户只需给出优化目标、预算、目标费用，平台会根据商家的营销诉求，在流量粒度上实现高效竞价，最大化商家的广告投放效率，提升广告效果平台流量，同时达到客户营销效果。对于智能竞价的建模，我们将问题抽象为带约束的优化问题，基于线性规划的原始对偶方法将原问题转化为对偶空间求解，得到最优竞价公式。我们将智能出价问题形式化如下，得到最优出价公式：未知）。但从客户的角度来看，出价只能受到流量出价的影响。因此，我们希望建立竞价与中标之间的关系，通过最优的竞价方式保证最优的竞价流量。具体来说，我们尝试将这个问题转化为对偶空间来寻找客户的出价与是否中标之间的关系，最终得到带有超参数的最优出价公式。得到最优的竞价公式，根据这个竞价公式进行竞价，可以筛选出性价比最高的流量，保证最佳的投放效果（如下左图）。在此基础上，我们利用上面的预算分配模块，对每个全站智能招商方案进行预算分配。拿到预算后，每个虚拟计划都会有一个单独的MCB模型，在线优化其投放效果。该模型通过反馈控制不断调整竞价参数，使全天的投放效果在满足预算和成本约束的前提下，最大化竞价流量的价值。具体来说，每过一定时间，MCB模型就会获取计划的历史投放效果数据（如成本达成率、预算消耗率等），动态调整投标参数，保证最终的投放效果（如如下右图所示）。6.未来规划我们已经完成了小红书各场景下跨场景联合投放的算法能力建设。未来，新的流量场景（如单栏发现Feed）的接入和投放将持续，为广告主带来更多的流量价值。此外，智能投放、智能投放、智能圈词、智能预算分配也可以通过更高级的算法策略升级进一步完善。面对最终状态，跨场景统一竞价的结构是更高效的解决方案。随着系统能力的加强，我们会逐步往这个方向尝试。
