通过上述优化要点《上》、《下》及《常见定向优化设置》的介绍，我们会发现有很多很多的因素会影响到广告投放的效果，而且这些因素之间也常常是互相干扰的。这样一来我们就会发现单纯靠人脑、人工模式，已经很难持续地、7X24小时的、不吃饭不睡觉地、不间断地进行相应的分析比对，调整优化，并进而根据调整反馈的结果闭环持续优化的工作。这就需要使用技术手段、机器学习、模拟人工智能的方式，用机器、程序代替人完成那些重复性的逻辑判断工作。下面我们将对DSP的这些自动化程序化的模块，例如：内置DMP人群标签算法、智能推荐引擎、防作弊等进行介绍。
1.内置DMP人群标签算法
DSP为了完成复杂的投放逻辑及大数据的处理，并运用大数据机器学习的手段，通过计算机自动化地去完成广告投放，首先就需要建设自己的大数据DMP系统来支持后续的智能算法推荐引擎。如图7-11所示，DSP建立内置DMP来对广告竞价做辅助决策支持。DMP是DSP的大脑，指导DSP根据历史的广告数据及闭环回收的用户数据给用户打上标签，并结合实时广告请求中的数据，对广告曝光机会进行价值预测及出价指导。
图7‑11 DSP内置DMP辅助竞价决策示意
那么大家会很好奇，DSP的大数据DMP系统，是如何根据用户行为给每个个体打上人群标签的。我们一般把机器学习的方式分为两大类：监督式学习（supervised Learning）和非监督式学习（unsupervisedLearning）。要区分两者很简单，也非常的重要。
监督式学习（也有称为“回归或分类算法”的）：
什么是监督式学习呢？用分类算法为例打个比方。这就好比事前我们已经知道人群标签该有哪些（如上文中按商业营销诉求对受众人群属性的划分），但是每个个体身上的标签是什么那还是未知的。而我们有的是这些个体在网络上的各种行为：例如：浏览过内容的URL、点击过的广告、留过信息的表单、购物车中的商品、购买的商品等等。在监督式学习中，我们可以将已规划好的人群标签，先打到各种不同的行为数据中。例如：浏览女性化妆品URL的行为打上“女性”、“时尚”等等这些标签、购买刮胡刀产品的行为打上“男性”、“个人护理用品”等等这些标签。然后再让计算机，通过将行为上的标签，同时也打到产生该行为的个体身上去。到这里大家可能会问啦，刚刚举的那两个例子中的标签具有一定的互斥性（“男性”Vs“女性”），那么如何确定最终该打上哪些类的标签呢？实际操作中往往是以权重的方式，来处理这些互斥性的标签。我们收集到的每个个体的行为数据是海量的，那么个体被打上标签的次数自然也是海量的。虽然被无数次的打上标签，但总有一些标签被打的次数是重复的，这样我们就可以在这些标签上进行计数（即：加权重）。从而我们可以按每个个体身上的标签按“计数量（权重）”从大到小排序，这样就能找出这个用户身上典型行为特征（即权重较大）的那些标签族。然后就可以使用这些人群标签去定向这些人群做广告投放，或根据这些标签来进行进一步的数据比对分析和学习。
非监督式学习（也有称为“聚类算法”的）：
什么是非监督学习呢？同“监督式学习”比对来说的话，就是事前不知道特征分类的答案，无法在事前就规划好标签分类。只能通过将相似的行为特征聚合在一起。找出这类受众或访客最典型的行为特征族（我们有的时候也会使用离线模型来存储这些特征族的数据，离线是先对在线而言的，离线即事前已存储好备用的，而在线即每次广告请求来的时候实时动态计算得出的。）。然后可以直接运用这些离线模型的特征，指导竞价及智能推荐。或者还有一种做法就是，给这类行为特征族定义一些标签，再运用上述的监督式学习的方式给更多的用户打上这类标签，甚至通过Look-alike的方式去寻找潜客。
当然还有一些介于上述两种模式中间的变种模式的学习方式，例如：
半监督式学习：即输入数据部分类别有部分事前已知，而仍有部分没有被事前已知，介于监督式学习与非监督式学习之间。常见的半监督式学习算法有支持向量机等等。
强化学习：在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的强化学习算法有时间差学习等等。
更多关于各种机器学习算法的原理、特点，适用场景等等，以及《样本训练》、《回归验证》等等的实操流程已曾经介绍过了。这里就不再展开。
（转载请注明出处：微信订阅号：ad_automation）
文字表现力有限，欢迎参加《9月9日“DSP上”专题【线下大课堂】》面对面为您答疑解惑讲透您关心的问题。
欢迎购买作者刚出版的《程序化广告实战》正版书系统化学习
网友评论