面對千人千面的C端用戶，我們不能夠一一去滿足他們的需求，這時候創(chuàng)意優(yōu)選策略就顯得尤為重要，能夠幫助我們更好地展示內(nèi)容，滿足用戶需求。本文結(jié)合案例，從創(chuàng)意優(yōu)選展示策略到優(yōu)化進行分析，以期給你一些啟發(fā)。

講完創(chuàng)意怎么生成之后，接下來我們就需要圍繞怎么選創(chuàng)意的策略展開，也就是所謂的創(chuàng)意展示策略，創(chuàng)意生成到優(yōu)選的過程核心的邏輯其實與召回倒排序思想一致，都是圍繞物料庫對不同的C端消費者用戶進行“千人千面”的展示，話不多說我們直接開始講干貨。

目錄：

一、創(chuàng)意優(yōu)選展示策略入門

二、創(chuàng)意優(yōu)選策略詳解-淘寶案例

2.1 完整創(chuàng)意優(yōu)選的建模和求解

2.2 動態(tài)創(chuàng)意優(yōu)化

一、創(chuàng)意展示策略入門

基于不同的創(chuàng)意生成策略規(guī)則，我們會對不同的商品主體生成大量圍繞主體“人/貨/場”相關(guān)的創(chuàng)意內(nèi)容，拆分成單個元素可能有N個標題、M個主圖、L個附加創(chuàng)意的展示信息，最后將會組合出N*M*L個創(chuàng)意組合，在廣告創(chuàng)意中的存儲單位就是-創(chuàng)意creative_id。

但是最終前端only 1個坑可供展示，就和我們出門只能穿一套衣服一樣，從N*M*L里面選擇出最合適的創(chuàng)意就是創(chuàng)意展示策略該做的事兒，核心就是要選擇最適合展示到C端用戶面前的1/N*M*L，是不是非常類似搜推系統(tǒng)當中的排序，所以排序策略產(chǎn)品和優(yōu)選策略產(chǎn)品是可以互通轉(zhuǎn)型的，其中，創(chuàng)意播放策略主要包含【創(chuàng)意優(yōu)選策略】和【創(chuàng)意輪播策略】。

1.1 創(chuàng)意優(yōu)選策略

一般大廠的僅提供的默認創(chuàng)意策略，這是因為通過選擇最優(yōu)的創(chuàng)意提升ctr點擊率，是可以給點擊計費的廣告帶來收入cost的直接增長；創(chuàng)意優(yōu)選簡單說就從多個創(chuàng)意組合挑選出用戶最感興趣，即pCTR最高的創(chuàng)意id組合進行展示，會考慮商品主體feature、ad廣告的feature（地域、定向人群等）、用戶的feature（用戶的離線標簽、在線行為）多模態(tài)等信息，并且考慮全局創(chuàng)意展示最優(yōu)化，進行相同信息去重，根據(jù)每個人關(guān)注的創(chuàng)意的信息進行“千人千面”的展示最適合的創(chuàng)意。

1.2 創(chuàng)意輪播策略

創(chuàng)意輪播的核心在于廣告播放系統(tǒng)需要對每個創(chuàng)意id進行流量強制均分，對于點擊率預(yù)估pCTR效果較差的創(chuàng)意，也需要對其進行創(chuàng)意流量的分配，其中核心策略就是提高對于pCTR偏低創(chuàng)意的出價水平，使其eCPM達到較高的競價排序水平；這個操作主要是服務(wù)于廣告主測圖、測標題等創(chuàng)意測驗場景，廣告主需要自主創(chuàng)意定義權(quán)，這種展示策略對于廣告平臺、客戶都不是效果最優(yōu)解，但是客戶有特殊場景測試訴求，因此僅對部分客戶開放對應(yīng)的功能。

二、創(chuàng)意優(yōu)選策略詳解-淘寶案例

2.1 基礎(chǔ)信息與問題大綱

2.1.1 基礎(chǔ)信息輸入

• 主體維度：在圖a示例中，我們可以看到在淘寶推薦當中主體item中包含商品、圖文、短視頻、直播等不同形式，從整體上構(gòu)成了推薦的內(nèi)容化和多元化，讓用戶能夠愿意在推薦位持續(xù)“逛起來”；
• 創(chuàng)意維度: 在圖b細粒度的創(chuàng)意素材，包括商品的sku圖、標題、利益點，幫助進行實時的組裝和渲染。

2.1.2 問題建模概述

第一、對完整創(chuàng)意的優(yōu)選：將創(chuàng)意優(yōu)選建模成E&E問題（(Exploitation & Exploration），在標準Bandit策略基礎(chǔ)上增加視覺特征作為先驗，優(yōu)化創(chuàng)意冷啟動過程中的投放效果，和前文冷啟動一樣，也就是對新創(chuàng)意/或者是長尾創(chuàng)意缺乏數(shù)據(jù)類型需要做探索，積累樣本數(shù)據(jù)來進行優(yōu)選；

第二、動態(tài)創(chuàng)意優(yōu)化：系統(tǒng)接收各類創(chuàng)意素材，比如上圖中右側(cè)顯示的模板集，圖片元素，利益點等），算法會根據(jù)用戶行為信息和投放結(jié)果“動態(tài)調(diào)整”元素的選擇和優(yōu)化制作的參數(shù)，使得最終的創(chuàng)意能夠兼顧全局視覺和投放效果（點擊率等）。

2.2 完整創(chuàng)意優(yōu)選的建模和求解

2.2.1 策略總體思想

對多個創(chuàng)意id維度的優(yōu)選，可以將其建模成為標準的E&E問題：

• Exploration探索階段：商品粗排截斷后，給到固定排序的商品到精排，每個創(chuàng)意都會有機會曝光到用戶面前，并獲得對應(yīng)的反饋信息；
• Exploitation開發(fā)階段：考慮到廣告長期收益問題，系統(tǒng)會把更多的流量再次分配給到效果更好的創(chuàng)意id；上述探索和利用(E&E)之間的權(quán)衡策略可由Bandit模型進行求解。業(yè)務(wù)場景中常用的bandit模型包括Smoothed -Greedy，Thompson Sampling和LinUCB等。

2.2.2 核心解決的問題

創(chuàng)意冷啟動問題非常復(fù)雜，冷啟動場景主要包含：全新上傳/生成創(chuàng)意、成熟場景下的長尾創(chuàng)意（出價偏低）、創(chuàng)意被頻繁的更換，每種場景下需要用到的創(chuàng)意策略大相徑庭，需要根據(jù)不同場景給出不同的策略解決方案，類似的解決思路可以參考Arthur寫的關(guān)于item物品冷啟動一文。

所以，如何利用成熟場景的數(shù)據(jù)或者是已經(jīng)獲得充分樣本反饋的頭部廣告創(chuàng)意數(shù)據(jù)是非常重要的。

2.2.3 策略設(shè)計方案

圖中是一個典型的視覺先驗的Bandit模型框架，左側(cè)多個候選創(chuàng)意通過感知排序模型（VAM）和混合Bandit（HBM）來找到有吸引力的創(chuàng)意，兩個模型組成了基于視覺內(nèi)容的創(chuàng)意效果預(yù)估模型；

第一部分：感知排序模型VAM：

從投放充分廣告創(chuàng)意投放的數(shù)據(jù)當中學(xué)習(xí)和效果正相關(guān)（CTR/停留時長）的視覺特征（圖片的顏色色彩、布局、視角等），利用卷積神經(jīng)網(wǎng)絡(luò)提取創(chuàng)意的高層特征，并且利用一層線性映射關(guān)系將其映射成為對應(yīng)的分數(shù)。經(jīng)過不斷地實驗，發(fā)現(xiàn)利用點估計(Point-wise AuxiliaryLoss)和排序?qū)W習(xí)(List-wise Ranking Loss) 兩個損失函數(shù)加權(quán)求和的方式能使得卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得最為充分，更加有利于第二個階段HBM去充分利用先驗信息；

如果只做感知排序模型VAM，會導(dǎo)致系統(tǒng)一直投放打分最高的創(chuàng)意（exploitation），從而失去發(fā)現(xiàn)其他潛在創(chuàng)意的機會；而且VAM是學(xué)習(xí)一種通用泛化的創(chuàng)意內(nèi)容和CTR之間的關(guān)系，這樣和每個創(chuàng)意之間的特性其實是存在沖突問題。

第二部分：混合Brandit模型HBM：

從學(xué)習(xí)到的視覺特征和模型參數(shù)做先驗，根據(jù)實際投放的真實CTR/停留時長等信息進行后驗的更新；假設(shè)創(chuàng)意的展示效果（曝光點擊/曝光未點擊）服從線性規(guī)律，基于不同于VAM的確定性的參數(shù)，上式中需要求解的分布，系統(tǒng)就利用對應(yīng)的分布來完成E&E決策；

每個創(chuàng)意去自己維護權(quán)重分布，這個分布函數(shù)分布與展示數(shù)量相關(guān)的sigmoid函數(shù)；當投放數(shù)據(jù)充分的時候，系統(tǒng)更加相信每個創(chuàng)意維護的參數(shù)分布，當展示數(shù)量不足的時候，系統(tǒng)傾向使用一個ad廣告下的參數(shù)分布，預(yù)測階段可使用預(yù)估的分數(shù)作為每個創(chuàng)意的分數(shù)，并且用argmax獲得最優(yōu)創(chuàng)意進行投放。

2.3 動態(tài)創(chuàng)意優(yōu)化

2.2.1 策略總體思想

如果說上文中，完整創(chuàng)意優(yōu)選解決的是【如何高效學(xué)習(xí)場景數(shù)據(jù)，提高策略準確性對創(chuàng)意id組合維度的優(yōu)選】的能力；

那么動態(tài)創(chuàng)意優(yōu)化要解決的就是在創(chuàng)意制作過程中，增加對創(chuàng)意元素個性化優(yōu)選，對“制作參數(shù)”進行實時優(yōu)化，在物料池當中找到最吸引用戶的元素來完成“千人千面”制作。

2.2.2 核心解決的問題

根據(jù)用戶的短視興趣、長時特征，能夠?qū)崟r在線生成更加具備吸引力的元素并得到展現(xiàn)，如果說前面的完整優(yōu)選是有限集合選擇，那么實時生成是在有限集合之外對某些具體元素實時生成完成“錦上添花”，目的也是為了擴充生成的集合，最終達到最優(yōu)解。

2.2.3 策略設(shè)計方案

可以從上圖中看到我們整個創(chuàng)意內(nèi)容當中包含：

• 圖片素材：包含同一商品不同屬性，比如顏色、模特 正背面視角等
• 標題：廣告主自定義標題、系統(tǒng)根據(jù)原始標題智能生成的標題內(nèi)容
• 利益點：店鋪/商品促銷信息，包括優(yōu)惠券，推廣折扣等；
• 行動點：立即瀏覽、點擊進入等。

為了完成對于用戶和創(chuàng)意之間的pCTR預(yù)估，設(shè)計了如圖中的DNN模型，特征包含用戶特征、廣告特征和創(chuàng)意特征（圖片X模板，標題，詞等）構(gòu)建的多模態(tài)特征。對于創(chuàng)意元素，使用了多尺度的特征表達；

例如，模板當中有全局共享的向量，又有帶圖片叉乘后的獨立向量表示，使得模型不但包含模板在全局投放的信息，還含有商品X模板組合后的結(jié)果。以此模型為預(yù)估，我們可以為每個用戶選擇最具備吸引力的圖片，文案和模板元素，并利用實時制作的平臺來實現(xiàn)千人千面的展示。

參數(shù)動態(tài)優(yōu)化：

元素個性化的選擇最終后才能顯依賴于“制作參數(shù)”的控制，類似模板的背景顏色、圖像尺寸、標題顏色、標題文職大小，需要有一個歸類識別的過程；制作參數(shù)核心是為了建立匹配關(guān)系，例如圖中的灰色背景需要與對比較強的白色字體進行搭配，而淺色背景需要與深色字體搭配，以免出現(xiàn)文字不清楚的badcase問題。

三、本文總結(jié)

關(guān)于創(chuàng)意優(yōu)選的策略大概就介紹到這里，創(chuàng)意優(yōu)選策略核心思想如同搜索推薦系統(tǒng)中的排序，核心是階段選擇每次曝光中點擊率預(yù)估可能性最高的創(chuàng)意在前端進行展示，去吸引用戶點擊。

創(chuàng)意優(yōu)選非常依賴于平臺的創(chuàng)意物料和用戶對創(chuàng)意行為樣本量，這是【完整創(chuàng)意優(yōu)選】和【動態(tài)創(chuàng)意優(yōu)化】的來源，創(chuàng)意作為整個推薦系統(tǒng)當中架構(gòu)最細粒度，也是展示的最末端策略也是紛繁復(fù)雜的，如果對創(chuàng)意策略產(chǎn)品感興趣的同學(xué)建議大家選擇阿里媽媽和巨量引擎兩家比較頭部的公司，目前也是市面上做創(chuàng)意策略最前列的公司。