从算法模型中理解Facebook广告的人群定位和广告推荐体系的运行逻辑

技术文章有些难读，但从中可以看出Facebook是根据哪些维度来确定广告投放人群的，有助于从更深层次理解Facebook广告的人群定位和广告推荐体系的运行逻辑，请着重看文末的图表。


Meta 的广告推荐引擎由 深度学习推荐模型 Deep Learning Recommendation Models(DLRMs)提供支持，在基于 DLRMs 的推荐系统中整合了数千个人工信号或特征。


DLRMs 对广告推荐的限制


Meta 的个性化广告 DLRMs 依赖于各种信号来了解人们的购买意图和偏好。DLRMs 彻底改变了从稀疏特征中学习的方式，稀疏特征捕获一个人在 Facebook 页面等实体上的交互，这些实体通常具有数十亿个基数。DLRMs 的成功建立在它们学习可泛化的高维表示的能力之上，即从稀疏特征中嵌入。


为了利用数以万计的此类特征，Meta采用了各种策略来组合特征、转换并组合，最终输出。


一些示例：


  • 用户在过去 N 天内点击的广告 → [Ad-id1， Ad-id2， Ad-id3， ...， Ad-idN]

  • 一个人在过去 M 天内访问过的 Facebook 页面，每个页面的访问次数得分→ [（Page-id1， 45）， （Page-id2， 30）， （Page-id3， 8）， ...]


这种方法的局限性：


  • 连续信息丢失：序列信息（即用户事件的顺序）可以提供有价值的数据分析，以便更好地推荐与用户行为相关的广告。稀疏特征聚合会丢失顺序信息。

  • 粒度信息丢失：由于要素在事件之间聚合，因此同一事件中的属性等精细信息会丢失。

  • 依赖人类直觉：人类直觉不太可能从大量数据中识别出非直觉、复杂的交互和模式。

  • 冗余特征空间：使用不同的聚合方案创建多个特征变体。尽管提供了增量价值，但重叠的聚合会增加计算和存储成本，并使功能管理变得繁琐。


人们的兴趣会随着时间的推移而发展，并具有不断发展和动态的意图。这种复杂性很难用手工制作的特征进行建模。对这些互动因素进行建模有助于更深入地了解用户随时间推移的行为，从而获得更好的广告推荐。


因此在DLRMs之外，还需要结合基于事件的特征 Event-based features (EBFs) ：


  • 事件流：EBFs 的数据流，例如人们最近参与的广告序列或人们喜欢的页面序列

  • 序列长度定义了从每个流中合并的最近事件数，并由每个流的重要性决定。

  • 事件信息：捕获有关信息流中每个事件的语义和上下文信息，例如用户参与的广告类别以及事件的时间戳。


DLRMs（左）和 EBFs (右）之间的差异：



高清版本下载，请移步Veryfb：https://veryfb.com/d/21863



人人必备的Facebook工具

自动化管理Facebook账号，主页，BM，像素等资产的数据，权限


- fbspider新增主页批量拉黑，关闭主页评论，隐藏不文明语言

- 强强联合：fbspider加入AdsPower应用中心

- 官方网站：https://www.fbspider.com



强烈推荐


《Facebook学习手册》（311页）- Facebook投放从入门到放弃




账号安全





账号知识




扩展阅读




Veryfb官方服务

Veryfb Official Service

官

方


1

FB/GG/TT企业账号开户服务

详见：https://veryfb.com/d/16904


2

付费咨询，知识变现，资源买售服务

详见：https://veryfb.com/d/18127

Veryfb首单付费咨询圆满完成，Facebook上投放美国shopify独立站




Veryfb

网址：https://veryfb.com

最专业的Digital Marketing论坛，我们与你一起结伴前行。

Veryfb活跃着一众Facebook、Google、Tiktok大佬，汇集了包括中国大陆，香港，台湾，新加坡，马来西亚等全球华人从业者。

更多Facebook讨论，点击"阅读原文"

评论

发表评论

热门博文