• 人群屬性定向(Demographic Targeting)

基於用戶基本屬性，如年齡、性別、教育背景、職業、婚姻狀態、收入、消費能力、工作場所等做人群定向，相對靜態，長期不變。

• 上下文定向(Contextual Targeting)

基於用戶當前查詢的query、瀏覽的網頁、使用的 App 等語義分析結果定向，均為實時訪問上下文。另外，有些人喜歡把移動設備、LBS 地點、天氣也歸入此類，個人更傾向於特指內容型數據，如文本、視頻等。常見的定向屬性有關鍵詞（Google Adsense、Facebook、百度鳳巢）、否定關鍵詞（Google Adsense）、展示 URL（Google Adsense、百度網盟）、頁面主題（Google Adsense）、行業分類（百度網盟）等。

1. 用規則將頁面歸類到一些頻道或主題分類，如將 auto.sohu.com 歸類到「汽車」的分類中
2. 提取頁面的關鍵詞
3. 提取頁面的入鏈錨文本中的關鍵詞，這需要一個全網的爬蟲作支持
4. 提取網頁流量來源中的搜索關鍵詞，這種方法除了頁面內容，也需要頁面訪問的日誌數據作支持
5. 用主題模型將頁面內容映射到語義空間的一組主題上

• 行為定向(Behavioral Targeting)

基於用戶歷史行為數據挖掘用戶興趣，行為數據如網頁瀏覽、網頁點擊、查詢 query、UGC 內容（如微博、朋友圈等），一般需要區分長期、短期和實時興趣。常見的定向屬性就是興趣愛好，依靠人工定義一套層次化的類別體系，有些平台還會按照時間段（Google Adsense、百度網盟）或者商業性（品友互動）進一步區分。

1. Transaction, 就是用戶購買行為
2. Pre-transaction, 用戶購買前的一些行為，如商品瀏覽、加入購物車等
3. Paid search click, 搜索廣告中的點擊行為
4. Ad click, 廣告的點擊行為
5. Search click, 搜索引擎上的點擊行為
6. Search, 搜索引擎上的搜索行為
7. Share, 分享行為，如微博等
8. Page View, 瀏覽頁面的行為，注意這個頁面不是上面搜索出來的頁面，而是用戶在某個站點中只能看到的頁面（如貼吧），量大但是效果一般
9. Ad view，看某個廣告的次數，但是帶來的效果往往是負面的

• 重定向(Remarketing)

基於用戶歷史行為數據挖掘用戶興趣，行為數據如網頁瀏覽、網頁點擊、查詢 query、UGC 內容（如微博、朋友圈等），一般需要區分長期、短期和實時興趣。常見的定向屬性就是興趣愛好，依靠人工定義一套層次化的類別體系，有些平台還會按照時間段（Google Adsense、百度網盟）或者商業性（品友互動）進一步區分。

• 相似用戶定向(Look-Alike Targeting)

側重基於確定的一小波人群，圈出更大規模類似的人群，保證定向效果的同時，擴大用戶覆蓋。因為挖掘相似用戶過程中，主要依據用戶基本屬性或興趣（長期），更新頻率不高。Google Adsense 將曾經到訪過廣告頁面的用戶作為基準定製人群，然後按照用戶在 Google Display Network 上的頁面訪問行為衡量用戶之間的相似性，以擴展更多用戶；而 Facebook 需要廣告主提交基準定製人群，比如 Email、Phone、Facebook Ids、App Ids，後台自動找到相似用戶。這部分與DSP 中的 audienceselection 非常類似。

• 地理位置定向(Geo Targeting)

移動互聯網比較熱門的定向，可以定位城市、商圈、學校等區域。

• 其他
• 時間定向(TimeTargeting): 一天中的不同時間段。
• 設備定向(DeviceTargeting): 如手機品牌、型號，操作系統，運營商等。
• 天氣定向(WeatherTargeting): 對經常出現霧霾天氣的北京，投放口罩、空氣清新器應該是靠譜的。
• 語言定向(LanguageTargeting): 一般具有國際化市場的廣告平台會提供，如 Google、Facebook。

廣告定向@架構

利用數據倉庫和集群計算，離線完成用戶的定向條件的挖掘後，其他團隊會根據數據建立索引。當廣告主過來下單的時候，可以查詢他的定向條件覆蓋的人數以及歷史售賣情況，根據這些信息廣告主進行出價和下單。廣告主下單後會建立廣告計劃，廣告計劃以及定向條件會載入到存儲器。離線挖掘好的用戶定向條件也會載入到線上存儲器。一個用戶過來後，線上服務會查詢廣告計劃的定向條件，也會查詢用戶的profile，根據這兩個東西的匹配來篩選適合投給這個用戶的廣告計劃。

廣告業務@架構

一個用戶過來後，這個廣告請求會進入到廣告投放平台。廣告投放平台會讀取一些索引，決定要不要進行投放，決定投放後，廣告投放平台會讀取廣告主服務頁推送過來的廣告計劃，做一些頻次上的控制，再把剩餘的廣告交給線上定向模塊。線上定向模塊從線上存儲器讀取用戶的profile數據，根據每個廣告計劃的定向條件去篩選，篩選剩下的廣告計劃就是適合投這個用戶的廣告；再對篩選剩下的廣告，做一個比較粗的選取，選擇其中質量較高的返回給下一個模塊，這個工作由線上定向模塊完成。

線上定向模塊過後，剩下的是相對優質的若干個廣告，開始對這若干個廣告進行預估ctr，預估ctr過程中需要去線上存儲器讀取特徵，一般還需要本地載入的一個模型。當ctr預估完成後，就進行算分排序，計算扣費，再加上一些業務策略，從而選出最合適的若干個廣告，返回給廣告投放平台。廣告投放後，會產生日誌，日誌會通過日誌收集系統收集到數據倉庫。

廣告演算法工程師會從數據倉庫裡面獲取各種投放日誌，提取特徵，把特徵導入到線上存儲器；還會根據投放日誌，生成訓練樣本，訓練模型，把模型推送到線上伺服器，由線上伺服器進行載入來給預估ctr使用。

扣費方法：

1. 廣義一階價格（GFP），就是廣告主開多少價，在廣告投放後就收多少錢。這樣廣告平台就會跟廣告主進行重複博弈，在每一輪拍賣結束後，廣告主會根據上一輪報價的情形決定下一輪的出價決策。這樣就很容易出現問題，一開始廣告主為了搶量不斷抬價（價格攀升階段），後面玩熟練了，大家一起壓價（價格崩潰階段）。這樣廣告平台就需要非常了解廣告主的估計，否則，價格不斷波動，流量會浪費很嚴重，廣告平台的生意很容易就搞砸了。2. 廣義二階價格（GSP），這個二階的意思就是下一位的出價，一個廣告支付的錢是排在下一個位置的廣告的出價，用術語來說就是：第i個廣告位的廣告每次展示或者點擊（分別對應兩種競價方式，按展示收費或者按點擊收費）所付的費用，等於第i+1個廣告位的廣告出價加上一個很小的值（一般是0.01）。

排序策略：

1. 競價排序：根據廣告的出價倒序排列，被點擊的廣告主付他下一家的費用。2. 收入排序：根據期望收益最大來排序，這裡的期望收益指的bid * ctr，被點擊的廣告主付的費用為bid(i+1) * ctr(i+1) / ctr(i)；後面的那個ctr有時候也可以用score代替，即扣的費用計算公式也可以是bid(i+1) * score(i+1) / score(i)，當然扣費不能超過廣告的出價，也不能低於一個最小值（各個平台自己定義的）。

推薦閱讀：