計算廣告與推薦系統(tǒng)有哪些區(qū)別？

（背景：之前做解決方案的時候做過一些推薦系統(tǒng)項目，現(xiàn)在轉(zhuǎn)行做商業(yè)化產(chǎn)品也就是計算廣告，正好題主說的計算廣告領(lǐng)域和推薦系統(tǒng)我都接觸過）

1.總述

先直接回答題主的問題，計算廣告和推薦系統(tǒng)有交集，但是不能說推薦系統(tǒng)是計算廣告的一部分。因為推薦系統(tǒng)除了應(yīng)用在廣告領(lǐng)域，還應(yīng)用在電商自然商品推薦、內(nèi)容推薦等領(lǐng)域，推薦系統(tǒng)本身是一個非常大的概念。同時計算廣告領(lǐng)域除了推薦廣告，還有搜索廣告，品牌廣告等。二者真正的交集就是在推薦廣告這個細分領(lǐng)域。

所以我們用下面一張圖來進行概括：

2. 推薦系統(tǒng)在廣告領(lǐng)域的應(yīng)用和其他領(lǐng)域的相同和不同點

下面我們重點介紹一下推薦系統(tǒng)在廣告領(lǐng)域的應(yīng)用和其他領(lǐng)域應(yīng)用中的相同和不同點，我們以電商領(lǐng)域里面的推薦廣告和自然推薦做對比。

比如上圖里面展示的商品就有推薦的廣告商品，也有推薦的自然商品。二者有何相同，又有何不同了？

2.1 相同點

2.1.1 整體架構(gòu)：不管是推薦廣告，還是自然推薦，核心都是預(yù)測用戶的喜好，為用戶推薦他可能感興趣的商品，吸引用戶點擊乃至最終成交下單。所以二者整體的推薦系統(tǒng)架構(gòu)幾乎是完全一樣的，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。

2.1.2 Recall（召回層）：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等，這些策略在推薦廣告商品和自然推薦時都會用到。

2.1.3 Rank（排序?qū)樱?/b>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、甚至是深度強化學(xué)習(xí)，雙方都會使用，也不存在某一個模型對于二者有什么偏好。

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

因為推薦廣告本身也還是推薦，所以在大的層面上和自然推薦不會有比較大的差異。但是在具體的細節(jié)層面，雙方差異會很大。

2.2 不同點

2.2.1 本質(zhì)：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：只需要考慮用戶和平臺之間的利益，提升用戶體驗，提升信息分發(fā)的效率。
• 推薦廣告：需要同時考慮用戶、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，給用戶強推廣告商品非常影響用戶體驗，如何做到廣告收入和用戶體驗之間的平衡是推薦廣告需要考慮的關(guān)鍵點。

2.2.2 評估指標：

• 自然推薦：自然推薦效果的評估指標主要是CTR、CVR、用戶停留時長、以及用戶最終貢獻的GMV等。不同階段不同類型的APP，可能上述指標都不太一樣。比如電商APP前期可能更注重用戶的CTR和停留時長，后期更加關(guān)注實際的轉(zhuǎn)化和GMV等。
• 推薦廣告：最核心的考核指標就是廣告收入，因為廣告就是一個賺錢的業(yè)務(wù)。上述指標做得再好看，沒有給平臺帶來更多的收入都是白瞎。當然在為平臺產(chǎn)生收入的同時，一方面需要考慮用戶的體驗，用戶的體驗就要從CTR、CVR、用戶停留時長等指標綜合評估，而另一部分也需要考慮廣告主的利益，廣告主投放廣告的ROI。尤其是很多廣告主會在多個平臺進行廣告投放，比如淘寶、京東，廣告主會進行相互比較。

同時推薦廣告和自然推薦進行比較時還會面臨一個問題，就是平臺將部分流量拿出來做了廣告，該部分廣告帶來的收入和GMV提升對于平臺的收益是否超過平臺將這部分流量全部做自然推薦帶來的整體收益大，這是每個平臺內(nèi)部都需要去考慮的，一般內(nèi)部都會有一套公式來進行評估。

2.2.3 Recall（召回層）：

• 物料池：推薦廣告只能召回平臺上廣告主投放的廣告物料，同時有很多商品受到《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，而且廣告物料會呈現(xiàn)價格偏高的趨勢，因為特別便宜的商品廣告主再投放廣告就更沒有利潤空間了。如果二者物料池的豐富度和量級差異比較大，推薦廣告的CTR是很難和自然推薦的CTR持平的，有時二者之間的差異會比較大。
• 定向策略：廣告主在進行投放時會針對自己的廣告物料設(shè)置一些定向策略，比如該商品僅面向女性或者僅在晚上投放等等，此類定向策略會很多，定向策略將會影響廣告物料的召回。自然推薦就不會存在此類限制問題。

2.2.4 Rank（排序?qū)樱?/b>

• 排序邏輯：自然推薦的排序是由排序模型的打分決定的，模型說了算，模型預(yù)測用戶對那個商品更感興趣就會排序在前。但是廣告物料的排序，我們不僅要預(yù)估CTR，我們還同時要考慮廣告主對于該廣告位的出價。并不是用戶對哪個廣告物料更感興趣，哪個物料就排序在前，我們還需要考慮廣告收益的最大化，整體的排序計算公式見下圖：

P-CTR代表模型實時預(yù)測用戶對該廣告的點擊率，CPC代表廣告主愿意為買一次廣告點擊出的價格。P-CTR * 1000就代表如果曝光1000次該廣告，用戶可能點擊的次數(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B廣告主雖然出價高，但是模型預(yù)測用戶的CTR很低，最終用戶點擊的次數(shù)會很少。因為廣告一般都是按照點擊進行扣費的，用戶必須點擊平臺側(cè)才可以扣廣告主的費用。所以最終C競價成功，對于平臺側(cè)來說曝光C的廣告，預(yù)期收入是最大的。

但實際排序時eCPM只是參考的一個方面，平臺側(cè)還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分數(shù)，最終的排序分數(shù)是一個復(fù)合公式：

按照綜合的 Rank_score進行排序。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。上述公式讀者也可以在我最后推薦的書籍里面查找到，里面會有詳細解釋。

2.2.5 前端展現(xiàn)層

很多場景中用戶前端看到的廣告商品是需要標識出“廣告”二字的，尤其是搜索廣告。而自然推薦則不需要任何標識。

2.2.6 扣費

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。但是在計算廣告領(lǐng)域還有一個非常重要的環(huán)節(jié)就是如何對廣告主進行扣費。市場上一般有兩種扣費方式一種是GSP，叫做廣義二價計費，簡單來說就是第一名競價成功后，按照第二名的競價來進行扣費；另一種是VCG，是一種博弈論的扣費方式，簡單來說就是按照第一名競價者對其它競價者造成的損失來扣費。后續(xù)會專門寫文章詳細介紹這兩種扣費方式，歡迎大家持續(xù)關(guān)注。

3. 推薦部和廣告部

在很多公司里面，自然推薦和廣告部是完全兩個獨立的部門，自然推薦和廣告推薦也是兩個完全不同的推薦團隊來做，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)威且科普性強的書，一本是劉鵬寫的《計算廣告》，一本是項亮寫的《推薦系統(tǒng)實踐》。