1-5 OPPO商业化--从定向差异化到智能化再到去定向化的演化实践 - 黄崇远 OPPO商

OPPO商业化演化实践总结

01 OPPO商业化背景与定向逻辑

• 商业化广告背景：OPPO广告业务覆盖浏览器、信息流、应用商店搜索、应用商店相关推荐及联盟广告，广告播放全链路涉及定向检索、粗排、精排、重排等环节。
• 广告定向体系：基于OPPO营销平台，月活用户4.5亿，月分发量165.4亿，广告联盟广告请求50亿（数据引自《2021年OPPO开发者大会》）。
• 定向逻辑：结合广告主回传数据、广告素材、用户行为数据及第三方数据，通过基础定向（兴趣、人口属性、设备等）、行为兴趣标签、行业兴趣标签、人群包标签及定向推荐/人群召回实现精准投放。

02 广告定向体系与建模实践

• 基础定向：显式标签、可解释，包括兴趣标签（三级类目结构，行为统计建模）和行业兴趣标签（黑盒，行业转化建模）。
• 行为兴趣标签统计建模：通过行为对用户兴趣进行描述，考虑兴趣持续衰减。
• 行业兴趣标签建模演化：从传统模型到深度DNN，实现大规模并行预测，优化资源利用率，采用负样本采样策略，融合基础画像、行为特征等。

03 自动化智能化定向建模实践

• 背景：行为标签多（300+量级）、不统一，需通过标签推荐（定向推荐）解决选择问题，同时优化效果和量级。
• 非标化推荐模型探索：尝试t2t模式、ad/user特征探索、app2app推荐等，但面临数据稀疏和人群迁移问题。
• 定向推荐实践：从UTPM（OPPO Ad-Target-Tags Model）最大化利用userad转化数据，计算adtag转化预估关系。
• 自动化演进：从标签推荐到标签精细缩放，最终探索去定向化，直接召回高转化人群。

04 从智能化到去定向化人群召回

• 基于DSSM模型的在线人群召回（智能拓量）：通过ad-vec和user-vec特征，结合用户端user标志及在线推理实现高效召回。
• 召回样本策略及LookAlike扩展：区分广告召回与人群召回目标，采用LookAlike迭代扩展人群包，结合DMP种子人群和Spark LR模型实现高效扩展。

05 商业化定向未来的思考和总结

• 投放模式趋势：从CPC到oCPX智能控价，要求更精准和更广的探测边界。
• 定向演化趋势：从常规定向到智能定向再到去定向化，逐步拓展人群边界。
• 算法落地实践：问题驱动，灵活迁移行业解决方案，模型复用（特征探索、样本采集策略等）。