AI在广告投放上的应用正在大爆发

传统的对于展示广告效果的预估方法，是基于ID特征的，就是从无数的ID中，找到匹配关系并且总结规律。

ID包括用户的ID和广告的ID。ID下面又包含特征属性。比如一个ID为12345的人，他的属性有年龄、性别、兴趣、最近做了什么事等。

一个广告ID为ABCDE的广告，它的属性有广告主、创意标签、广告格式等。然后，不断根据历史数据，看什么样特征的人，会喜欢什么种类的广告，从而对广告投放的效果（主要是点击率）进行预估。

稍微技术一点的解释是：就是把用户和广告等实体标识符（ID）作为特征输入到模型中。

例如，每个用户和每个广告都可以有一个唯一的ID，这些ID可以被用作模型的输入特征。基于这些ID的匹配关系，预测什么样特征的用户最可能会点击什么样的广告。

• 高复杂度和强大拟合能力：模型可以捕捉到用户和广告之间的复杂关系，尤其是在数据量较大的情况下。
• 简单性：直接使用ID作为特征，可以避免复杂的特征工程，简化模型构建过程。

• 难以捕捉内容语义信息：ID特征本身不包含任何关于用户或广告内容的具体信息（不含语义信息），如用户的偏好、广告的类别等，这些都是通过ID无法直接获得的。
• 泛化能力有限：由于ID特征的稀疏性和特定性，模型可能难以泛化到新的用户或广告上，特别是对于那些没有足够历史数据的新用户或新广告。

而最新的方法利用了今天多模态的AI技术，能够处理和理解与用户以及广告相关的多模态信息，并且基于这种理解，预估广告的点击率。

与用户相关的多模态信息，主要指用户在浏览商品以及选购商品时，在相关页面上的互动过程，以及这些过程中，可以被提取的文本、图像，以及行为轨迹等信息。

与广告相关的多模态信息，则是指广告的文本、图像、视频等信息。这些信息跟广告ID的区别是，它们可以像人一样理解相似广告之间的细微的差别。例如下面的几个广告的细微差别：A和B产品更相似，C产品区别要更大一些。

传统预测方法会忽略这些细微差别，但是AI多模态的算法，能够识别这些区别，并把这些差异代入到广告是否会被用户点击的预测中。

新方法的思路，是建立用户多模态信息与广告多模态信息之间的“语义相似度”基础上的。

这里解释一下，所谓“语义相似度”，是希望基于这个新的模型，构建在语义（文本、图像等）维度上，用户感兴趣的商品包含的语义和广告展示商品包含的语义之间的相似性。这种相似性可以是多方面的，包括但不限于商品的类别、属性、用户评价、视觉特征（如图片）和文本描述（如商品标题或描述）等。

模型通过分析二者之间的语义相似度，可以更好地预测用户是否会对当前展示的广告感兴趣。例如，如果用户过去经常点击与当前广告中的商品在视觉上或主题上相似的商品，那么模型可能会预测用户更有可能点击这个广告。

目前，阿里妈妈的展示广告团队正在利用这种方式进一步提升预测的准确性，即通过前面说的引入多模态信息（如商品的图片和文本描述）来提升模型对这种语义相似度的识别能力。这样，模型不仅依赖于用户行为的ID特征（如商品ID），还能利用商品的实际内容（图片和文本）更准确地捕捉用户的兴趣和偏好，从而提高点击率预估的准确性。

相关论文（比较复杂，可能要有比较好的AI算法基础才能读懂）在这里：

现如今的广告创意已经完全离不开AI了。

比如，在搜索广告上，已经有团队验证了利用AI进行广告创意工程，能够大幅度提升点击率。

例如下面的广告，是常见的传统搜索广告的内容创意：

但利用AI大模型，重新制作广告创意，能够更大幅度地契合用户需求，并且文案内容非常自然真实。

基于AI创意的方法，纷析团队进行了多种广告类型的创意效果的实测，下面是实测结果：

案例1：展示类广告，使用模型增加广告素材和文案多样性后，整体广告CTR从3.5%提升到6%，CPC下降20%

根据结构化字段自动撰写短视频文案脚本，结合视频模板自动混剪，或使用数字人口播制作多样化广告视频，进行程序化投放，快速提升创意供给数量。

进行广告位拓展时，使用Diffusion模型扩展广告图片边缘，使站内商品图能适用于不同尺寸的广告版。

同一件商品，使用语言模型针对不同用户人群和使用场景生成不同广告文案，提升广告文案同目标人群的需求的匹配度，提升广告CTR并降低CPC。(将用户分成年轻白领、亲子人群、情侣、旅游等不同人群，同一件商品，强调不同用户场景、用户价值和利益点)

案例2：搜索广告应用(内容平台),行业平均广告CTR 5-6%,使用LLM优化投放流程后广告点击率提升到15%+，CPC只有行业均值一半

我们都知道AIGC善于生成广告的创意和内容，但是现在没有看到可用的生成营销策略的AIGC工具，盖因营销策略的变量太多，千变万化，AIGC在缺少约束的领域更容易产出幻觉。

不过，新的一个方法让我看到了AIGC产生营销策略的一个重大进展。

这个进展发生在广告投放领域，相对于“数字营销”这个更大的概念，广告投放的边界更清晰，变量更少，前置约束也更明确，因此，目前有不少AI自动化广告投放策略的解决方案尝试。

不过传统的方法，都集中在每次投放竞价的出价的策略上。以我在前面说的特征ID预估模型为基础，利用AI，尤其是决策式AI（也叫判别式AI）来判断出价。

• 在离线环境中训练得到的结果与在线实际投放中的表现不一致。
• 单次出价最优化并不意味着整个投放过程最优化，无法提前获知整个投放周期的流量分布，再加上需要实时竞价，这使得传统的线性规划方法不适用。

新的AIGB的方式，把生成式AI用在了广告投放的出价策略上，这是一个很有趣的尝试。

AIGB的全称是：AI Generated Bidding，即AI生成出价。

这种自动出价优化新范式，不是将自动出价问题看作是一个传统的强化学习问题，即不是仅仅在每一步选择一个最佳的出价动作，而是将问题看作是一个整体的轨迹生成问题。这意味着AIGB关注的是整个广告投放周期内出价策略的轨迹，而不仅仅是单个出价决策。下面是这种新方法的主要特征：

1. 轨迹生成问题：在自动出价中，AIGB不是为每一次广告展示单独决定一个出价，而是生成一个完整的出价轨迹，这个轨迹包含了整个广告投放周期内所有展示机会的出价决策。这种方法考虑了出价决策之间的序列依赖性和整体优化目标。

2. 优化目标：在广告投放中，广告主通常有一个或多个优化目标，比如最大化点击率、转化率或者投资回报率（ROI）。AIGB在生成出价轨迹时，会将这些优化目标作为条件纳入模型中。

3. 整个投放轨迹之间的相关性：在广告投放过程中，每一步的出价决策都会影响后续的出价和整体效果。AIGB通过捕捉这些出价决策之间的相关性，可以理解为学习了在不同时间点和不同条件下，如何调整出价以实现整体优化目标。

4. 直接在真实投放场景中学习：AIGB通过条件生成模型直接在真实投放场景中学习优化目标与出价轨迹之间的关系，而不是通过传统的强化学习中的离线试错过程（即探索-利用平衡）。这意味着模型可以更直接地生成符合特定优化目标的出价轨迹，而不是通过逐步的奖励信号来调整策略。

总的来说，AIGB通过将自动出价问题转化为轨迹生成问题，并直接学习优化目标与整个投放轨迹之间的相关性，能够更有效地生成符合广告主优化目标的出价策略。这种方法有助于在复杂的广告投放环境中实现更优的整体表现，尤其是在面对长序列决策和多目标优化时能发挥较大价值。

这种方式，虽然目前只在广告投放中起到作用，但让我们看到了能够应用在更广泛的数字营销策略领域的曙光。

相关论文：

https://blog.csdn.net/alimama_Tech/article/details/140792614

平台矩阵

点个「在看」，和我们一起聊聊