课程概要

案例背景:
OPPO广告业务体量不小但寡头严重，为打造更为健康持久的广告生态，我们特别需要注重中长尾行业广告主的效果与体验。中长尾广告的特点是行业众多、变换频繁、优化师水平良莠不齐，因此平台提供的兴趣标签除了精准，还要能按需快速迭代且使用时可简可繁。由于单行业体量往往不大，一般业界中依靠转化数据建模的单一方案难以胜任，必须在深入算法的同时深刻洞察业务，制定一个可弹性投入的画像建模与定向系统。

解决思路:
挖掘建模上，“凡走过必留下痕迹”，要理解用户兴趣，必深入洞察其行为。用户行为的三要素是“行为类型、行为对象和行为时间频次”，因此画像成功的关键在于三点：1）充分理解行为对象，例如文本对象则需要准确的文本分类和关键词抽取 2）准确建模兴趣强度，主要结合行为类型、频次和时间 3）针对广告定向场景的用户画像，还要充分挖掘广告行为。
落地应用上，充分结合实际业务需求，有务实的挖掘重点，特别在广告业务中，画像标签是需要广告主来主动使用，因此易用性也成为最大化业务价值的关键。

成果：
在兴趣建模方面，我们探索出可按需独立增量迭代及半监督持续增强的文本分类算法、粗细粒度相分离的兴趣建模算法和基于DNN的标签推荐和智能拓量算法。在画像落地方面，针对OPPO广告生态特点，我们演化出了一整套“白盒+灰盒+黑盒+无盒”的精准定向方案，核心功能模块包括自然兴趣标签、商业兴趣标签、标签推荐和智能拓量等。该方案有效地为各层次投放经验的广告主提供了从存活到起量，从起量到跑量的一条龙服务。

听众收益

本分享期望为两类听众分享经验：一是对建模用户兴趣标签画像感兴趣的算法人员，一起探讨文本分类、统计行为建模、深度学习兴趣建模等相关技术的落地；二是对广告同行尤其是中等规模的广告平台同行，一起交流我们面对人力和数据掣肘情况下如何务实地落地用户画像标签，以应对中长尾广告主需求的经验。