作為一個生活消費決策平臺，小紅書內有多種場景在為消費者提供著信息獲取的服務，廣告主也可在各個場景通過廣告觸達消費者，如何跨場景進行高效的廣告投放一直是困擾廣告主的一道難題。

一、小紅書全站指頭簡介

小紅書是一個生活內容社區，更是一個消費決策平臺。商家想在小紅書內更多地吸引用戶消費時，有多種渠道可供選擇（下圖從左到右依次為“發現 feed”、“搜索 feed”中的廣告內容），多渠道的廣告投放可以更大范圍、更高概率地觸達潛在用戶，從而達到推廣商品、服務消費者的目的。

然而，達成這樣多渠道合力推廣的效果并不容易，廣告主需要在小紅書的廣告平臺上分別構建“發現 feed”和“搜索 feed”的多個推廣計劃，并且每個計劃都需要給出合理的配置（預算、關鍵詞、定向、出價方式等），其復雜程度和難度可想而知，通過人工配置完成這種組合投放效率低下，難以形成“1+1>2”的協同效果。此外，“搜索 feed”廣告的關鍵詞和“發現 feed”廣告的人群定向選擇也是很多廣告主一直以來的夢魘，選得過于寬泛效果不好，過于精準又拿量不夠。

小紅書“全站智投”便是為了解決上述商家的營銷痛點推出的一款智能營銷工具，配套了一系列智能化算法（智能圈詞、智能定向、智能出價、智能預算分配）。如下圖所示，商家只需給定整體預算以及目標成本（例如1000元預算，2元的互動成本）即可快速推廣，平臺會自動創建不同渠道的虛擬計劃并提供全方位的效果保障。這里的智能化算法配備了廣告行業內最先進的 AI 能力，基于大數據持續優化，幫助商家達成既定投放目標。

二、智能圈詞

“搜索 feed”場景的廣告投放通過關鍵詞觸發，為廣告物料選擇關鍵詞對于搜索場景的投放效果至關重要。因此，如何圈選關鍵詞也是困擾搜索客戶的一大難題。針對此，我們通過物料內容理解、用戶行為分析、E&E 優選等技術，搭建了智能圈詞算法，根據客戶的物料自動圈選優質關鍵詞，在保證廣告投放效果的同時，降低客戶投放門檻。

智能圈詞算法的工作原理如下圖所示。我們采用了經典的“召回+優選”兩段式架構，在召回階段主要通過內容理解和用戶行為建模兩種方式結合挖掘潛在關鍵詞。前者對廣告物料內容做深入理解分析，利用“核心詞提取”、“語義理解”、“多模態表示學習”等技術，提升物料信息抽取的有效性，并以此挖掘高精準關鍵詞；后者則充分利用平臺內的用戶行為信息，借助圖神經網絡強大的特征提取和關系推理能力，發現更具意圖擴展性的關鍵詞。

優選階段主要目標是從召回的關鍵詞中選擇效果更優的關鍵詞，我們將其建模成 E&E（Exploit & Explore）問題：保證所有候選關鍵詞都有概率被圈選，獲得線上反饋數據，并根據投放反饋調整關鍵詞的圈選概率，以確保廣告投放的長期收益。

值得注意的是，小紅書平臺提供了多種不同的廣告樣式，客戶可針對投放訴求自行選擇，例如原生的筆記樣式、面向客資收集的表單樣式、優化商品銷量的商品卡樣式等。這種方式能夠有效提升客戶的投放效果，與此同時，也對智能圈詞的優化提出了挑戰：與筆記樣式不同，表單和商品卡樣式往往是簡單的圖文組合，能夠直接獲得的文字信息較少；另一方面，投放表單和商品卡廣告的客戶數量明顯少于筆記類客戶，廣告量少、有效日志少等數據稀疏性問題凸顯出來。

針對以上問題，我們首先利用 OCR、圖片分類等能力，充分挖掘圖片物料中的有效信息，并基于核心詞識別、查詢改寫等方式對 OCR 結果進行擴展，豐富廣告物料特征；在建模的優化上，我們在語義模型中使用對比學習方法，并引入客戶歷史投放信息優化訓練集，將同客戶投放的不同類型物料認定為相似物料，用于構建正樣本，以此提升對表單和商品卡物料的建模能力；同樣的，我們將“同客戶投放”以及“物料同現”關系納入圖模型的建模過程中，以解決歷史日志中表單和商品卡樣式廣告數據稀疏問題。

三、智能定向

在“發現 feed”場景，定向是決定客戶投放效果的重要因素。全站智投中，我們提供了智能定向能力，客戶無需顯式表達目標人群，召回算法會優選符合客戶目標表達的流量進行參競。

全站智投提供了多種優化目標，如互動、私信、表單提交等，傳統的做法會在召回階段考慮多種目標，設置多個子召回通道進行 Top k 截斷。這種方式一方面開發和維護成本較高，另一方面會導致客戶錯失一些符合成本目標的流量，無法發揮智能出價的最大效用，對大盤流量售賣效率有損。因此，全站智投智能定向采用了 Learning To Rank（LTR）的方式，對齊精排廣告最終排序結果進行召回。從客戶視角看，該方案讓客戶逼近全流量參競，讓智能出價有更大的空間優選流量，提升廣告投放效果；從流量視角看，該方案提高了競價鏈路的順暢度，提升了流量分配效率。

如下圖所示，具體實現層面，召回階段根據廣告最終排序采用 LTR Pointwise 建模，將復雜的排序問題化簡為下發率（pSend）預估問題；模型設計采用經典的雙塔結構，在滿足召回性能要求的同時，優化模型預估的準確率。

四、智能預算分配

全站智投計劃預算，會同時在“發現 feed”和“搜索 feed”場景被消耗，不同場景的流量價格和效果存在差異，因此，高效的控制不同場景的花費對最終的投放效 果至關重要。跨場景投放策略主要有兩種核心思路：

1. 統一的智能出價模塊直接進行流量粒度出價（Bid），不同場景提供流量以及流量價值預估分（pValue），如下左圖所示。該方案能實時考慮計劃的整體預算進行調控，架構清晰，但對系統要求較高，兩個場景的投放系統耦合更重，轉化率預估的能力也需要對齊。

2. 各場景先分配預算，場景內根據分配到的預算各自進行智能出價，如下右圖所示。預算分配的結果對最終的投放效果影響很大，一步到位做到最優的預算分配結果比較難，但系統相對解耦，魯棒性也更好。 

小紅書在不同場景已經建設了相對獨立的投放系統，召回、預估等模塊都有差異，考慮到系統魯棒性和迭代高效性，我們選擇了基于預算分配的方案。

預算分配的目標和客戶投放目標一致，即預算和成本約束下最大化價值，假設對于任意場景，我們已知預算和價值之間的關系 

 ，直接最優化求解即可得到各個渠道的最優預算分配。對于函數  的獲得，業內常用的方案是通過成效預估技術來估計，但是實際的廣告競價環境波動大，難得到精準估計的 

 。因此，我們采用了一種啟發式的動態調整預算分配的方案，該方案核心思路是基于預算消耗率和拿量成本調整場景預算：

• 計劃新建時會初始化場景預算分配比例
• 每隔一定時間，根據各個場景的預算消耗率、投放成本以及約束超限情況，重新分配預算

五、智能出價

在實時競價廣告業務中，平臺提供給客戶的投放能力對其投放效果有顯著影響。在傳統的點擊出價方式中，如何設定合理的出價以平衡拿量和目標成本對于客戶來說一直是個難題，這使得各場景的投放門檻一直居高不下。

針對上述問題，在全站智投場景下，我們為客戶提供了全自動帶約束的最優化出價方案（MCB，Multi-Constrained Bidding），客戶僅需給定優化目標、預算、目標成本，平臺會根據商家的營銷訴求在流量粒度實現高效出價，最大化商家的廣告投放效率，在達成客戶營銷效果的同時提升平臺流量效用。

關于智能出價的建模，我們把問題抽象成帶約束的最優化問題，并基于線性規劃的 primal-dual 方法把原問題轉化到對偶空間進行求解，得到最優的出價公式。我們把智能出價問題做以下形式化，并得到最優出價公式：

如上形式化，該問題是一個帶線性約束的最優化問題，我們可以直接求解得到最優的流量分配方案（即未知數 

 的值）。

但是站在客戶的視角，只能通過在流量上的出價來影響是否競得，因此我們希望能建立出價和競得與否的關系，通過最優的出價方式來保障競得流量最優。具體地，我們嘗試把這個問題轉換到對偶空間，來找尋客戶出價和是否競得的關系，最終得到含有一個超參數 

 的最優出價公式。得到了最優出價公式，基于該出價公式進行出價，就能篩選性價比最高的流量，保障投放效果最優（如下左圖所示）。

在這個基礎上，我們為每個全站智投計劃，以前文的預算分配模塊為場景分配預算，得到預算后的每個虛擬計劃都會有單獨的 MCB 模型對其投放效果進行在線優化。模型通過反饋控制的方式不斷調整出價參數，使全天的投放效果在滿足預算和成本約束的前提下，最大化競得流量的價值。具體來說，每經過一定時間，MCB 模型就會從廣告系統中獲取計劃的歷史投放效果數據（如成本達成率、預算消耗率等），結合當前的出價水位以及未來競價環境的預估，對出價參數進行動態調整，確保最終的投放效果（如下右圖所示）。

六、未來規劃

我們在小紅書內各場景上，已經完成了跨場景聯合投放的算法能力建設，未來新的流量場景的接入和投放（如單列發現 feed）會持續進行，為廣告主帶來更多的流量價值。此外，智能投放、智能定向、智能圈詞以及智能預算分配，也可以通過更加先進的算法策略升級進一步提效。面向終態，跨場景統一出價的架構是更加高效的解決方案，隨著系統能力的加強，我們也會逐步朝著這個方向進行嘗試。