挪威网站后缀,openshift 安装 wordpress,应聘网站优化的简历怎么做,建站程序下载广告和推荐算法的技术框架比较相似#xff0c;在线计算时都分为召回#xff08;candidates generating#xff09;和排序#xff08;candidates ranking#xff09;两个阶段#xff08;这似乎是计算资源有限条件下#xff0c;所有检索问题的通用架构#xff09;。
在某…广告和推荐算法的技术框架比较相似在线计算时都分为召回candidates generating和排序candidates ranking两个阶段这似乎是计算资源有限条件下所有检索问题的通用架构。
在某角度上可以把推荐系统理解成计算广告的一部分。不考虑品牌广告等其他广告形式在我看来计算广告和推荐系统的联系在于业务上的融合和技术上的重合。 搜推广要解决的问题区别 回到根本问题上来三个方向解决的问题本身是不一样的 广告一个公司要搭建广告系统它的商业目的非常直接就是要解决公司的收入问题。所以广告算法的目标就是为了直接增加公司收入。
推荐推荐算法虽然本质上也是为了增加公司收入但其直接目标是为了增加用户的参与度。只有用户的参与度高了才能让广告系统有更多的inventory进而增加公司营收。
搜索搜索要解决的关键问题全部是围绕着用户输入的搜索词展开的。虽然现在搜索越来越强调个性化的结果但是一定要清楚的是推荐算法强调的个性化永远只是搜索算法的补充。“围绕着搜索词的信息高效获取问题“才是搜索算法想解决的根本问题。
正是因为三者间要解决的根本问题是不同的带来了三者算法层面的第一个区别那就是优化目标的区别。 一、搜推广优化的目标区别
广告广告算法的预估目标非常统一就是预估CTR和CVR。这是跟当前效果类广告的产品形态密切相关的。因为CPC和CPA计价仍是效果类广告系统的主流计价方式。所以只有预估出CTR和CVR才能反向推导出流量的价值并进一步给出合理的出价。所以针对这样的目标广告算法非常看重把预估偏差当作首要的评价指标。
因为广告的主要收入就是在将商家的roi平衡的前提下增加公司广告收入的优化目标而广告收入是来源于商家的广告出价的因此提高预估的CTR和CVR根据出价模式排列分布更合理的PV才能为公司带来更多的收入。广告更关注估的更准才能分散更准的流量。
推荐推荐算法的预估目标就不尽相同视频类更多倾向于预测观看时长新闻类预测CTR电商类预估客单价等等这些跟用户参与度最相关的业务指标。而且由于推荐系统的推荐场景是生成一个列表所以更加关注item间的相对位置因此评估阶段更倾向于用AUCgAUCMAP这些指标作为评价标准。
推荐更关注于用户的参与度即如何抓住用户的兴趣因此个性化比较重要。推荐更关注排的更好提升用户兴趣。
搜索搜索的预估目标又有所不同因为相比广告和推荐搜索某种意义上说是存在着“正确答案”的。所以搜索非常看重能否把这些正确答案给召回回来广告和推荐也关注召回率但重要性完全不同。所以搜索系统往往会针对召回率MAPNDCG这些指标进行优化。 二、算法模型设计中的区别
广告由于广告算法要预测“精准”的CTR和CVR用于后续计算精确的出价因此数值上的“精准”就是至关重要的要求仅仅预估广告间的相对位置是无法满足要求的。这就催生了广告算法中对calibration方法的严苛要求就算模型训练的过程中存在偏差比如使用了负采样、weighted sampling等方式改变了数据原始分布也要根据正确的后验概率在各个维度上矫正模型输出。此外因为广告是很少以列表的形式连续呈现的要对每一条广告的CTRCVR都估的准广告算法大都是point wise的训练方式。
推荐推荐算法的结果往往以列表的形式呈现因此不用估的那么准而是要更多照顾一个列表整体上甚至一段时间内的内容多样性上对于用户的“吸引力”让用户的参与度更高。因此现在很多头部公司在算法设计时不仅要考虑当前推荐的item的吸引力甚至会有一些list levelpage level的算法去衡量整体的效果进行优化。也正因为这一点推荐算法有大量不同的训练方式除了point-wise还有pair-wiselist-wise等等。此外为了增加用户的长期参与度还对推荐内容的多样性新鲜度有更高的要求这就让探索与利用强化学习等一些列方法在推荐场景下更受重视。
搜索对于搜索算法我们还是要再次强调搜索词的关键性以及对搜索词的理解。正因为这样搜索词与其他特征组成的交叉特征组合特征以及模型中的交叉部分是异常重要的。对于一些特定场景比如搜索引擎我们一定程度上要抑制个性化的需求更多把质量和权威性放在更重要的位置。
三、搜推广辅助策略上的区别
广告系统中CTR等算法只是其中关键的一步估的准CTR只是一个前提如何让广告系统盈利产生更多收入还需要pacingbiddingbudget controlads allocation等多个同样重要的模块协同作用才能让平台利益最大化这显然是比推荐系统复杂的。
推荐系统中由于需要更多照顾用户的长期兴趣需要一些补充策略做出一些看似“非最优”的选择比如探索性的尝试一些长尾内容在生成整个推荐列表时要加入多样性的约束等等。这一点上广告系统也需要但远没有推荐系统的重视程度高。
搜索系统中大量辅助算法还是要聚焦在对搜索词和内容的理解上。因此搜索系统往往是应用NLP模型最重的地方因为需要对大量内容进行预处理embedding化进而生成更理解用户语义的结果。比如最典型的例子就是airbnb对搜索词embedding化后输入滑雪skiing会返回更多滑雪胜地的地点而不是仅仅是字面上的匹配。 四、模型本身的选择上
在广告模型中用户的兴趣是不那么连贯的因此容易造成sequential model的失效attention机制可能会更加重要一些。
推荐模型中如果不抓住用户兴趣的连续变化是很难做好推荐模型的因此利用sequential model来模拟用户兴趣变化往往是有收益的。
搜索模型中搜索词和item之间天然是一个双塔结构因此在模型构建的时候各种交叉特征模型中的各种交叉结构往往是搜索类模型的重点。当然在构建良好的交叉特征之后使用传统的LTRGBDT等模型也往往能够取得不错的结果。
