OPPO商业化广告定向实践总结
1. 商业化背景与定向逻辑
- 广告背景：OPPO广告覆盖了浏览器、应用商店、联盟广告等多种形式，拥有庞大的用户基数和日均活跃用户数。
- 定向体系：包括用户画像标签、兴趣定向、DMP人群包、行为兴趣标签、行业兴趣标签等。
2. 广告定向体系与建模实践
- 定向体系：涵盖广告主回传数据、广告素材同步、广告曝光与点击转化数据、内部三方数据等。
- 建模技术：运用NLP、文本分类、XGB、深度学习、统计建模、推荐模型等技术。
- 定向类型：基础定向、兴趣定向、人群包定向、定向推荐等。
- 标签体系：兴趣标签、行业兴趣标签，通过行为统计建模和行业拆分进行转化建模。
3. 自动化智能化定向建模实践
- 背景：面对大量且不统一的行为标签，需要通过组合测试来优化效果。
- 方法：采用DNN模型融合，进行大规模并行预测，实现标签推荐和智能拓量。
- 模型探索：探索基于用户-广告特征的推荐系统，尝试构建用户-标签模型，通过广告-用户-广告的反馈机制进行优化。
4. 从智能化到去定向化的人群召回
- 在线人群召回：利用DSSM模型进行广告向量和用户向量的匹配，通过在线推理和定向过滤实现广告召回。
- 召回策略：采用样本策略和LookAlike扩展迭代，通过正负样本区分，实现广告与用户的精准匹配。
5. 商业化定向未来的思考和总结
- 未来趋势：商业化广告投放将从常规定向逐渐过渡到智能定向和去定向化。
- 算法落地：注重问题导向，灵活迁移行业解决方案，持续复用模型能力。
- 发展方向：在不同场景下不断积累特征和样本采集策略，实现算法模型的持续迭代和优化。
关键数据
- 月活用户：4.5亿+
- 月分发量：165.4亿+
- 广告联盟广告请求：50亿+
以上是对OPPO商业化广告定向实践的总结，涵盖了背景、定向体系、建模实践、智能化和去定向化人群召回，以及未来的发展方向和关键数据。
