都是推薦系統(tǒng)，廣告算法和推薦算法有啥區(qū)別？

導(dǎo)讀：廣告和推薦算法的技術(shù)框架比較相似，卻在很多公司中分屬兩個(gè)團(tuán)隊(duì)，兩者的區(qū)別在哪里？這里從兩者在實(shí)際業(yè)務(wù)中運(yùn)用的角度，聊聊它們的異同。

首先我們將問題再明確一下，我們是將 廣告算法里面的推薦廣告和 自然推薦結(jié)果里的推薦系統(tǒng)進(jìn)行對比，因為廣告算法里面還有“搜索廣告”，搜索廣告和推薦系統(tǒng)差異性就太大了，這里不做討論。

圖里面就既有廣告，又有自然結(jié)果

下面正式回答推薦廣告和自然推薦的異同：

1. 不同點(diǎn)

1.1 本質(zhì)不同

推薦廣告和自然推薦本質(zhì)要處理的群體和衡量的利益完全不一樣。

自然推薦：提升用戶體驗(yàn)和信息分發(fā)效率。只需要考慮用戶和平臺之間的利益，商家側(cè)在自然推薦里面的體驗(yàn)，自然推薦考慮較少。因?yàn)檫@部分流量是免費(fèi)的，商家側(cè)沒有投入任何成本。

推薦廣告：提升廣告收入，提升流量變現(xiàn)效率。這里面需要同時(shí)兼顧用戶、平臺和廣告主三者之間的利益，權(quán)衡好三者之間的關(guān)系。廣告主花錢投放了廣告，就需要對廣告主的商品盡可能地多曝光，廣告多曝光平臺才可以針對廣告收更多的錢。但是曝光的廣告商品，用戶是否感興趣，給用戶強(qiáng)推廣告商品非常影響用戶體驗(yàn)，如何做到廣告收入和用戶體驗(yàn)之間的平衡是推薦廣告需要考慮的關(guān)鍵點(diǎn)，同時(shí)廣告主還要看廣告投入ROI。

二者本質(zhì)完全不同，推薦廣告整體要比自然推薦復(fù)雜，需要考慮的業(yè)務(wù)因素和權(quán)衡的利益關(guān)系更多。

1.2 優(yōu)化目標(biāo)

如果分別只能挑選一個(gè)核心評估指標(biāo)的話：

• 推薦廣告：CPM（Cost Per Mille，千次展現(xiàn)成本）。CPM越高代表推薦廣告的變現(xiàn)效率越高；相同流量情況下，CPM高的廣告收入更多。
• 自然推薦：CTR（點(diǎn)擊PV / 展現(xiàn)PV）。CTR越高代表用戶對于推薦的內(nèi)容越感興趣。

問題里面有一個(gè)錯(cuò)誤認(rèn)知，就是推薦廣告和自然推薦的點(diǎn)擊率差異性很大，二者有差距但沒有很大，在首頁這種核心位置上差異大概在20%左右吧，這里的CTR差異是因?yàn)閮蓚€(gè)原因?qū)е碌模渲幸粋€(gè)就是廣告優(yōu)化的目標(biāo)是CPM。但又因?yàn)?strong style="color: rgb(75, 75, 75);">CPM = CPC（單次點(diǎn)擊成本） * CTR（點(diǎn)擊率） * 1000（千次展現(xiàn)）。

目前廣告都是按照點(diǎn)擊進(jìn)行扣費(fèi)，CPC代表一次點(diǎn)擊收廣告多少錢，那么千次展現(xiàn)*CTR=千次點(diǎn)擊次數(shù)，再乘以CPC就等于CPM。廣告的CTR如果太低，CPM也會很低，雖然廣告?zhèn)冉K極目標(biāo)是提升CPM，但是CTR同樣需要兼顧。同時(shí)廣告和自然推薦在一個(gè)流量場，平臺側(cè)會對比，廣告?zhèn)鹊腃TR不能太拉垮。

1.3 資源位

經(jīng)常有一個(gè)錯(cuò)誤認(rèn)知，就是“廣告資源數(shù)量通常比內(nèi)容資源多得多”，實(shí)際上恰好反過來。

目前互聯(lián)網(wǎng)平臺所有的資源位基本都是由推薦系統(tǒng)來分發(fā)了，傳統(tǒng)的那種運(yùn)營手工配置的模式基本沒有了。但是不是所有的資源位都接入了推薦廣告。同時(shí)同一個(gè)資源位下，廣告的比例遠(yuǎn)小于自然推薦的比例。比如抖音的廣告基本是6出1，廣告只有1/7。絕大部分流量都是在自然推薦側(cè)。

1.4 物料池

上面介紹推薦廣告和自然推薦的CTR差異是因?yàn)閮蓚€(gè)原因?qū)е碌模粋€(gè)是因?yàn)閮?yōu)化目標(biāo)不一樣，另一個(gè)就是因?yàn)槎叩奈锪铣赝耆灰粯印?/p>

• 推薦廣告：只能召回平臺上廣告主投放的廣告物料，同時(shí)有很多商品受到《廣告法》的約束是不能投放廣告的。正常情況廣告物料會比自然物料少很多，量級大概可以差10倍。而且廣告物料會呈現(xiàn)價(jià)格偏高的趨勢，因?yàn)樘貏e便宜的商品廣告主再投放廣告就更沒有利潤空間了。
• 自然推薦：理論上講可以使用平臺上所有有效的物料；只是有一些調(diào)性差，比較敏感的SKU比如情趣用品等，這種SKU自然推薦也是不會推薦的。

1.5 召回

二者整個(gè)召回算法上其實(shí)沒有特別大的差異，都是多路召回，雙塔模型等等。只是廣告?zhèn)榷嗔艘粚诱倩兀瑴?zhǔn)確地說叫做DMP（Data Management Platform）定向。

因?yàn)閺V告主在投放廣告的時(shí)候會有針對性地進(jìn)行廣告投放，比如廣告主自己圈選了一些人群，或者上傳了一些人群包，希望它的廣告重點(diǎn)面向這些人群進(jìn)行展現(xiàn)，這些操作都在DMP平臺上。那么推薦廣告系統(tǒng)在對用戶進(jìn)行物料召回時(shí)，就需要重點(diǎn)考慮該用戶有沒有被一些廣告主圈選，希望重點(diǎn)展示它的廣告物料。DMP定向在自然推薦側(cè)是沒有的。

1.6 排序

二者的排序邏輯完全不一樣。

• 自然推薦：主要參考模型對于每個(gè)物料預(yù)估的CTR指標(biāo)，可能還會再結(jié)合銷量、評價(jià)等指標(biāo)，但是主要是CTR。
• 推薦廣告：以ecpm來進(jìn)行排序。并不是用戶對哪個(gè)廣告物料更感興趣，哪個(gè)物料就排序在前，我們還需要考慮廣告收益的最大化，整體的排序計(jì)算公式見下圖：

ecpm計(jì)算公式

P-CTR代表模型實(shí)時(shí)預(yù)測用戶對該廣告的點(diǎn)擊率，CPC代表廣告主愿意為買一次廣告點(diǎn)擊出的價(jià)格。P-CTR* 1000 就代表如果曝光1000次該廣告，用戶可能點(diǎn)擊的次數(shù)。比如P-CTR(B)* 1000=10次，就代表給用戶曝光1000次，用戶可能點(diǎn)10次，那么平臺就可以收入10*100=1000元。所以eCPM的意義就是曝光1000次，平臺側(cè)可能的收入。

像上圖中B廣告主雖然出價(jià)高，但是模型預(yù)測用戶的CTR很低，最終用戶點(diǎn)擊的次數(shù)會很少。因?yàn)閺V告一般都是按照點(diǎn)擊進(jìn)行扣費(fèi)的，用戶必須點(diǎn)擊平臺側(cè)才可以扣廣告主的費(fèi)用。所以最終C競價(jià)成功，對于平臺側(cè)來說曝光C的廣告，預(yù)期收入是最大的。

但實(shí)際排序時(shí)eCPM只是參考的一個(gè)方面，廣告?zhèn)冗€需要去考慮廣告商品的質(zhì)量、歷史銷量、歷史好評率等等各種因素，將這些因素綜合考慮組成另外一個(gè)分?jǐn)?shù)Q值，最終二者按照一定權(quán)重，形成一個(gè)復(fù)合公式：

Rank_Score = a*eCPM + b*Q

ecpm計(jì)算公式

按照綜合的 Rank_score進(jìn)行排序。推薦廣告的排序要比自然推薦考慮的因素要更多，也更復(fù)雜。

1.7 展現(xiàn)

• 廣告標(biāo)識：很多場景中用戶前端看到的廣告商品是需要標(biāo)識出“廣告”二字的，尤其是搜索廣告。而自然推薦則不需要任何標(biāo)識。
• 業(yè)務(wù)干預(yù)度：自然推薦結(jié)果中業(yè)務(wù)側(cè)可以強(qiáng)干預(yù)，因?yàn)槭敲赓M(fèi)流量期望偏向于某個(gè)類目都可以。但是廣告?zhèn)群茈y做到，因?yàn)閺V告?zhèn)冗€需要為商家的體驗(yàn)負(fù)責(zé)，某個(gè)類目多給流量自然會帶來其他類目商家的流量減少，其他商家肯定會來投訴。所以業(yè)務(wù)干預(yù)層面廣告?zhèn)茸杂啥群艿汀?/section>

1.8 計(jì)費(fèi)

自然推薦，用戶對推薦的商品感興趣下單就結(jié)束了，至此和推薦相關(guān)的事情就全部結(jié)束了。但是在計(jì)算廣告領(lǐng)域還有一個(gè)非常重要的環(huán)節(jié)就是如何對廣告主進(jìn)行扣費(fèi)。

上面也提到過了，廣告?zhèn)仁前凑拯c(diǎn)擊CPC扣費(fèi)。這里面又牽扯出來另外一個(gè)領(lǐng)域就是反作弊，因?yàn)閺V告?zhèn)瓤圪M(fèi)是需要扣除作弊流量的，不然廣告主被別人薅羊毛了會造成成本激增。但這部分作弊點(diǎn)擊對于自然推薦基本沒有影響，商家毫無損失。自然流量僅需要針對一些特殊優(yōu)惠權(quán)利時(shí)不能被某些設(shè)備某些pin一直薅羊毛就可以了。

1.9 跟單

商家投放了廣告，如何去計(jì)算投放廣告的ROI？這時(shí)候就需要知道哪些訂單是廣告流量轉(zhuǎn)化的，需要對訂單進(jìn)行歸因，這就是跟單。

自然流量當(dāng)然也需要跟單，需要知道哪些訂單是自然推薦流量帶來的。但是廣告?zhèn)鹊母鷨魏妥匀涣髁扛鷨握w邏輯不太一樣。廣告?zhèn)刃枰M可能地跟更多的單去提升廣告主ROI，所以像點(diǎn)擊后直接下單的我們叫做直接訂單，但是點(diǎn)擊后沒有直接下單但是一段時(shí)間后下單了同店鋪其他商品的，廣告?zhèn)纫矔阕鲝V告轉(zhuǎn)化，叫做間接訂單。間接訂單的種類有很多很多，在此不再細(xì)述。總的來說就是廣告?zhèn)刃枰M可能多地跟上更多的單，自然推薦側(cè)跟單沒有廣告?zhèn)冗@么寬泛。

2. 相同點(diǎn)

介紹完不同點(diǎn)，下面介紹相同點(diǎn)。其實(shí)推薦廣告和自然推薦整體應(yīng)用的算法和系統(tǒng)架構(gòu)是差不多的，沒有太大差異。基本上每一步雙方都有，推薦廣告唯一多的一步就是計(jì)費(fèi)了。這一步自然推薦是沒有的。

2.1 整體架構(gòu)

不管是推薦廣告，還是自然推薦，二者整體都還是推薦系統(tǒng)的架構(gòu)，從召回、排序再到重排，最終前端展示等。一整套系統(tǒng)架構(gòu)二者是一樣的。

2.2 召回

召回層二者所使用的一些思路和算法也基本一樣，比如針對不同用戶群體構(gòu)建不同的召回策略，多路召回等等。常見的幾路召回策略比如：ItemCF、Rebuy、Top_CTR、雙塔模型等，這些策略在推薦廣告商品和自然推薦時(shí)都會用到。

2.3 排序

排序?qū)邮褂玫呐判蚰Ｐ捅热鐐鹘y(tǒng)的LR+GBDT，和現(xiàn)在的DeepFM、甚至是深度強(qiáng)化學(xué)習(xí)，雙方都會使用，也不存在某一個(gè)模型對于二者有什么偏好。

2.4重排

過濾一些敏感隱私商品、針對一些連續(xù)的重復(fù)類目商品進(jìn)行打散、特定時(shí)段優(yōu)先展示某些商品，這些策略雙方都需要考慮。

3. 總結(jié)

推薦廣告和自然推薦本身因?yàn)閰⑴c方和優(yōu)化目標(biāo)不同，所以很多環(huán)節(jié)的考核指標(biāo)不一樣，推薦廣告的業(yè)務(wù)性會更強(qiáng)，但是二者整體的系統(tǒng)架構(gòu)和技術(shù)棧差異不大。

在很多公司里面，自然推薦和廣告部是完全兩個(gè)獨(dú)立的部門，自然推薦和廣告推薦也是兩個(gè)完全不同的推薦團(tuán)隊(duì)來做，存在一種賽馬的味道。

對于很多互聯(lián)網(wǎng)公司來說，廣告部是公司每年收入的核心。比如百度的鳳巢、阿里的阿里媽媽、字節(jié)的巨量引擎等。對于技術(shù)人員來說，其實(shí)鉆研的技術(shù)沒有多大差異，但是所從事的業(yè)務(wù)卻不一樣，越靠近收入部門，未來產(chǎn)生的價(jià)值也就越大。所以如果有知友陷入到底選擇推薦廣告還是自然推薦，個(gè)人還是更建議推薦廣告，畢竟廣告是直接產(chǎn)生收益的部門。最后給大家推薦兩本書，是我覺得對應(yīng)領(lǐng)域比較權(quán)威且科普性強(qiáng)的書，一本是劉鵬寫的《計(jì)算廣告》，一本是項(xiàng)亮寫的《推薦系統(tǒng)實(shí)踐》。