小红书广告营销：小红书广告投放机制解读，怎样用算法实现全站手动化投放

作为一个生活消费决策平台，小红书内有多种场景在为消费者提供着信息获取的服务，广告主也可在各个场景通过广告触达消费者，怎么跨场景进行高效的广告投放仍然是困惑广告主的一道困局。为了给广告主提供愈发友好的广告投放方法，提高广告投放疗效，小红书建设了“全站智投”智能营销工具，为广告主提供一站式跨场景的智能投放能力。本文将重点分享“全站智投”中的核心算法能力。

小红书是一个生活内容社区，更是一个消费决策平台。店家想在小红书内更多地吸引用户消费时，有多种渠道可供选择（右图从左到右依次为“发现feed”、“搜索feed”中的广告内容），多渠道的广告投放可以更大范围、更高机率地触达潜在用户，进而达到推广商品、服务消费者的目的。

但是，达成这样多渠道合力推广的疗效并不容易，广告主须要在小红书的广告平台上分别建立“发现feed”和“搜索feed”的多个推广计划，但是每位计划都须要给出合理的配置（预算、关键词、定向、出价方法等），其复杂程度和难度可想而知，通过人工配置完成这些组合投放效率低下，无法产生“1+1>2”的协同疗效。据悉，“搜索feed”广告的关键词和“发现feed”广告的人群定向选择也是好多广告主仍然以来的梦魔，选得过分笼统疗效不好，过分精准又拿量不够。

小红书“全站智投”便是为了解决上述店家的营销痛点推出的一款智能营销工具，配套了一系列智能化算法（智能圈词、智能定向、智能出价、智能预算分配）。如右图所示，店家只需给定整体预算以及目标成本（比如1000元预算，2元的互动成本）即可快速推广，平台会手动创建不同渠道的虚拟计划并提供全方位的疗效保障。这儿的智能化算法配备了广告行业内最先进的AI能力，基于大数据持续优化，帮助店家达成既定投放目标。

“搜索feed”场景的广告投放通过关键词触发，为广告物料选择关键词对于搜索场景的投放疗效至关重要。为此，怎么圈选关键词也是困惑搜索顾客的一大困局。针对此，我们通过物料内容理解、用户行为剖析、E&E优选等技术，搭建了智能圈词算法，依照顾客的物料自振膜选优质关键词，在保证广告投放疗效的同时，增加顾客投放门槛。

智能圈词算法的工作原理如右图所示。我们采用了精典的“召回+优选”两段式构架，在召回阶段主要通过内容理解和用户行为建模两种方法结合挖掘潜在关键词。后者对广告物料内容做深入理解剖析，借助“核心词提取”、“语义理解”、“多模态表示学习”等技术，提高物料信息抽取的有效性，并借此挖掘高精准关键词；前者则充分借助平台内的用户行为信息，利用图神经网路强悍的特点提取和关系推理能力，发觉更具意图扩充性的关键词。

优选阶段主要目标是从召回的关键词中选择疗效更优的关键词，我们将其建模成E&E（Exploit&Explore）问题：保证所有候选关键词都有几率被圈选，获得线上反馈数据，并按照投放反馈调整关键词的圈选机率，以确保广告投放的常年利润。

值得注意的是，小红书平台提供了多种不同的广告款式，顾客可针对投放诉求自行选择，比如原生的笔记款式、面向客资搜集的表单款式、优化商品销量的商品卡式样等。这些方法才能有效提高顾客的投放疗效，与此同时，也对智能圈词的优化提出了挑战：与笔记式样不同，表单和商品卡式样常常是简单的图文组合，就能直接获得的文字信息较少；另一方面，投放表单和商品卡广告的顾客数目显著多于笔记类顾客，广告量少、有效日志少等数据稀疏性问题突显下来。

针对以上问题，我们首先借助OCR、图片分类等能力，充分挖掘图片物料中的有效信息，并基于核心词辨识、查询改写等方法对OCR结果进行扩充，丰富广告物料特点；在建模的优化上，我们在语义模型中使用对比学习技巧，并引入顾客历史投放信息优化训练集，将同顾客投放的不同类型物料认定为相像物料，用于建立正样本，借此提高对表单和商品卡物料的建模能力；同样的，我们将“同顾客投放”以及“物料同现”关系列入图模型的建模过程中，以解决历史日志中表单和商品卡式样广告数据稀疏问题。

在“发现feed”场景，定向是决定顾客投放疗效的重要诱因。全站智投中，我们提供了智能定向能力，顾客无需显式抒发目标人群，召回算法会优选符合顾客目标抒发的流量进行参竞。

全站智投提供了多种优化目标，如互动、私信、表单递交等，传统的做法会在召回阶段考虑多种目标，设置多个子召回通道进行Topk截断。这些方法一方面开发和维护成本较高，另一方面会造成顾客错失一些符合成本目标的流量，未能发挥智能出价的最大效用，对盘面流量售卖效率有损。因而，全站智投智能定向采用了LearningToRank（LTR）的形式，对齐精排广告最终排序结果进行召回。从顾客视角看，该方案让顾客迫近全流量参竞，让智能出价有更大的空间优选流量，提高广告投放疗效；从流量视角看，该方案提升了竞价链路的顺畅度，提高了流量分配效率。

如右图所示，具体实现层面，召回阶段依照广告最终排序采用LTRPointwise建模，将复杂的排序问题通分为下发率（pSend）预估问题；模型设计采用精典的双塔结构，在满足召回性能要求的同时，优化模型预估的确切率。

全站智投计划预算，会同时在“发现feed”和“搜索feed”场景被消耗，不同场景的流量价钱和疗效存在差别，因而，高效的控制不同场景的耗费对最终的投放效果至关重要。跨场景投放策略主要有两种核心思路：

1.统一的智能出价模块直接进行流量细度出价（Bid），不同场景提供流量以及流量价值预估分（pValue），如下左图所示。该方案能实时考虑计划的整体预算进行调控，构架清晰，但对系统要求较高，两个场景的投放系统耦合更重，转化率预估的能力也须要对齐。

2.各场景先分配预算，场景内依照分配到的预算各自进行智能出价，如下下图所示。预算分配的结果对最终的投放疗效影响很大，一步到位做到最优的预算分配结果比较难，但系统相对前馈，鲁棒性也更好。

小红书在不同场景早已建设了相对独立的投放系统，召回、预估等模块都有差别，考虑到系统鲁棒性和迭代高效性，我们选择了基于预算分配的方案。

预算分配的目标和顾客投放目标一致，即预算和成本约束下最大化价值，假定对于任意场景，我们已知预算和价值之间的关系，直接最优化求解即可得到各个渠道的最优预算分配。对于函数的获得，业内常用的方案是通过成效预估技术来恐怕，并且实际的广告竞价环境波动大，难得到精准恐怕的。因而，我们采用了一种启发式的动态调整预算分配的方案，该方案核心思路是基于预算消耗率和拿量成本调整场景预算：

在实时竞价广告业务中，平台提供给顾客的投放能力对其投放疗效有明显影响。在传统的点击出价形式中，怎样设定合理的出价以平衡拿量和目标成本对于顾客来说仍然是个困局，这促使各场景的投放门槛仍然居高不下。

针对上述问题，在全站智投场景下，我们为顾客提供了全手动带约束的最优化出价方案（MCB，Multi-ConstrainedBidding），顾客仅需给定优化目标、预算、目标成本，平台会依照店家的营销诉求在流量细度实现高效出价，最大化店家的广告投放效率，在达成顾客营销疗效的同时提高平台流量效用。

关于智能出价的建模，我们把问题具象成带约束的最优化问题，并基于线性规划的primal-dual方式把原问题转化到排比空间进行求解，得到最优的出价公式。我们把智能出价问题做以下方式化，并得到最优出价公式：

如上方式化，该问题是一个带线性约束的最优化问题，我们可以直接求解得到最优的流量分配方案（即未知数的值）。

然而站在顾客的视角，只能通过在流量上的出价来影响是否竞得，因而我们希望能构建出价和竞得与否的关系，通过最优的出价形式来保障竞得流量最优。具体地，我们尝试把这个问题转换到排比空间，来寻找顾客出价和是否竞得的关系，最终得到富含一个超参数的最优出价公式。得到了最优出价公式，基于该出价公式进行出价，才能筛选性价比最高的流量，保障投放疗效最优（如下左图所示）。

在这个基础上，我们为每位全站智投计划，原先文的预算分配模块为场景分配预算，得到预算后的每位虚拟计划就会有单独的MCB模型对其投放疗效进行在线优化。模型通过反馈控制的方法不断调整出价参数，使全天的投放疗效在满足预算和成本约束的前提下，最大化竞得流量的价值。具体来说，每经过一定时间，MCB模型都会从广告系统中获取计划的历史投放疗效数据（如成本达成率、预算消耗率等），结合当前的出价水位以及未来竞价环境的预估，对出价参数进行动态调整，确保最终的投放疗效（如下下图所示）。

我们在小红书内各场景上，已然完成了跨场景联合投放的算法能力建设，未来新的流量场景的接入和投放（如单列发觉feed）会持续进行，为广告主带来更多的流量价值。据悉，智能投放、智能定向、智能圈词以及智能预算分配，也可以通过愈发先进的算法策略升级进一步提效。面向终态，跨场景统一出价的构架是愈发高效的解决方案，随着系统能力的强化，我们也会逐渐朝着这个方向进行尝试。