1、OPPO商业化-从 定 向 差 异 化 到 智 能 化 再 到去 定 向 化 演 化 实 践黄崇远 OPPO商业数据挖掘组组长 关注用户画像、广告智能定向、预粗排、搜索广告召回与排序等领域|01OPPO商业化背景与定向逻辑商业化背景与定向逻辑03自动化智能化定向建模实践自动化智能化定向建模实践02广告定向体系与建模实践广告定向体系与建模实践04从智能化到去定向化的人群召回从智能化到去定向化的人群召回目录目录 CONTENT|05商业化定向未来的思考和总结商业化定向未来的思考和总结商业化背景与定向逻辑商业化背景与定向逻辑01|OPPO商业化广告背景商业化广告背景|浏览器浏览器-信息流广告信息流广

2、告应用商店应用商店-搜索广告搜索广告应用商店应用商店-相关推荐相关推荐联盟广告联盟广告广告播放全链路与标签定向广告播放全链路与标签定向|广告投放端广告播放引擎广告检索广告粗排广告精排广告重排广告库用户端广告定向检索广告定向检索（画像标签/定向推荐）广告广告pCTR/pCVR预估预估（轻量级预估模型/DSSM）广告广告pCTR/pCVR预估预估*Bid（复杂预估模型）广告排序调整广告排序调整（调权/控频/反作弊）投放类型选择投放类型选择/定向定向/素材素材/出价出价OPPO营销平台：https:/ 性别性别/年龄年龄/地域地域设备定向设备定向 网络网络/机型机型/价格价格应用行为应用行为 安装安

3、装/活跃活跃/激活激活其他定向其他定向 快应用快应用/预装预装/.行为兴趣标签行为兴趣标签 三级类目结构三级类目结构 基于行为统计建模基于行为统计建模行业兴趣标签行业兴趣标签 按关键行业拆分按关键行业拆分 以行业维度转化建模以行业维度转化建模广告主上传人群包广告主上传人群包标签人群计算包标签人群计算包.相似人群扩展包相似人群扩展包定向推荐定向推荐/去定向人群召回（智能拓量）去定向人群召回（智能拓量）用户活跃用户活跃APP推荐推荐/相似相似APP推荐推荐/兴趣标签推荐兴趣标签推荐/兴趣分自动缩放兴趣分自动缩放/智能拓量智能拓量基础定向基础定向显式标签、可解释、用户过滤显式标签、可解释、用户过滤兴

4、趣定向兴趣定向行为兴趣标签：行为兴趣标签：显式、可解释，显式、可解释，充分挖掘用户的行为，类目全充分挖掘用户的行为，类目全行业兴趣标签：行业兴趣标签：黑盒，针对行黑盒，针对行业广告用户转化预估建模，使业广告用户转化预估建模，使用简单用简单DMP人群定制、根据种子挖掘人群人群定制、根据种子挖掘人群定向推荐定向推荐/人群召回人群召回定向推荐：定向推荐：降低定向使用成本，降低定向使用成本，提升广告投放效率、效果提升广告投放效率、效果人群召回：人群召回：根据预算自动缩放根据预算自动缩放人群，结合成本控制自动拓量人群，结合成本控制自动拓量行为兴趣标签统计建模行为兴趣标签统计建模|本质上是考虑不同用户行本

5、质上是考虑不同用户行为对于不同标签的影响，为对于不同标签的影响，以及兴趣的持续衰减，从以及兴趣的持续衰减，从而通过行为对用户进行兴而通过行为对用户进行兴趣的描述。趣的描述。行业兴趣行业兴趣标签标签建模演化实践建模演化实践|关键点大规模并行预测N*4.5亿关键点传统到深度DNN的演化、模型融合关键点稀疏行业的特征共享、资源利用率 样本：样本：做了较多的负样本采样策略 特征：特征：基础画像、行为建模的各种item行为、行为标签体系 其他探索：其他探索：不同渠道相同行业差异性大-关键特征上移自动化智能化定向建模实践自动化智能化定向建模实践03|自动化智能化定向背景自动化智能化定向背景|无定向或基础定

6、向无定向或基础定向行为标签行为标签数量多300+量级不统一（行为相关）需要搭配组合测试投放标签推荐（定向推荐）标签推荐（定向推荐）解决如何选的问题效果优化/量级可控行业标签行业标签特定行业定制量级可缩放（模型score）投放简单按行业投放 行业内对应的能力模块参考行业内对应的能力模块参考大概20-45%的成本偏差 OPPO营销平台定向标签推荐营销平台定向标签推荐非标化推荐的一些模型探索方案非标化推荐的一些模型探索方案|难点：难点：-t2t不是用户所希望的模式-直接建模ad*tag数据稀疏-tag人群会迁移变动，颗粒度太粗结论：结论：这是非标化推荐问题探索的副产品：探索的副产品：-ad/user

7、的特征探索-app2app推荐-预训练的app vec特征参考论文参考论文Learning to Build User-tag Profile in Recommendation System|论文背景论文背景微信看一看业务微信看一看业务用户用户-Tags用户用户-看文章看文章文章文章-Tags落地参考路径落地参考路径业务业务-给给Ads打打Tags用户用户-Tags用户用户-点击广告点击广告广告广告-Tags定向推荐实践：定向推荐实践：UTPM到到OATTM（OPPO Ad-Target-Tags Model）|最大化利用最大化利用user*ad的的convert/unconvert数据，计

8、算数据，计算ad*tag的转化预估关系的转化预估关系从标签从标签推荐推荐到标签精细缩放的自动化演进到标签精细缩放的自动化演进|阶段阶段1：解决了广告主如何选择定向的问题阶段阶段2：用标签人群进行CTR建模，描述程度，解决标签人群缩放问题阶段阶段3：去定向化，直接召回高转化人群？从智能化到去定向化人群召回从智能化到去定向化人群召回04|基于基于DSSM模型模型的的在线人群召回在线人群召回（智能拓量）（智能拓量）|ad-vecuser-vec用户端user标志64位vecN*64位vec广告预粗排截断矩阵叉乘运算oCPX成本调控Ad列表user-tower-net在线推理广告播放请求定向过滤环节定

9、向过滤环节召回样本策略以及召回样本策略以及LookAlie扩展迭代扩展迭代|人群扩展与广告召回差别人群扩展与广告召回差别广告召回广告召回 user -正样本：ad1/ad2/ad.click负样本：easy sample：ad3/ad4/ad.unclickhard sample：random unexposeother users -人群召回人群召回 ad -正样本：user1/user2/user.click负样本：other users -easy sample：user3/user4/user.unclickhard sample：random unexpose目标：给user召回合适

10、广告目标：给广告寻找兴趣人群DMP LookAlike迭代迭代扩展人群包ModelSpark LR大盘活跃人群DMP 种子人群人群截断user-vec特征种子人群ModelSpark LR商业化定向未来的思考和总结商业化定向未来的思考和总结05|商业化定向未来的思考和总结商业化定向未来的思考和总结|商业化广告的投放模式大趋势商业化广告的投放模式大趋势-oCPX智能控价智能控价一阶段一阶段CPC，要求更精准，二阶段进入到动态成本优化，要求更广的探测边界。，要求更精准，二阶段进入到动态成本优化，要求更广的探测边界。商业化广告定向演化趋势商业化广告定向演化趋势-常规定向常规定向/智能定向智能定向/去

11、定向化去定向化从使用效率从使用效率/效果上的单纯要求上，逐步为广告不同所处阶段提供一个稳定的边界拓展人群的过渡。效果上的单纯要求上，逐步为广告不同所处阶段提供一个稳定的边界拓展人群的过渡。算法落地实践思考算法落地实践思考-问题驱动问题驱动/行业解决方案的灵活迁移行业解决方案的灵活迁移/模型的复用模型的复用(1)任何算法模型的开发和迭代是为了解决实际业务问题而存在的。任何算法模型的开发和迭代是为了解决实际业务问题而存在的。(2)行业论文的参考要从背景应用中，抽象出问题解决逻辑，从而灵活借鉴。行业论文的参考要从背景应用中，抽象出问题解决逻辑，从而灵活借鉴。(3)算法模型能力的持续积累，不同场景的持续复用，包括特征探索算法模型能力的持续积累，不同场景的持续复用，包括特征探索/样本采集策略等。样本采集策略等。