网络广告推广（朋友圈广告推广话术）

小红书信息流Feeds

本文由 @策略产品Arthur 原创发布于人人都是产品经理，未经许可，禁止转载

作者：策略产品Arthur，5年大厂策略产品专家。

内容理解：通过对深度广告内容物料分析，利用“核心词提取”、“语义理解”、“多模态表示学习”等技术，提升物料信息抽取的有效性，然后挖掘高精准的关键词。用户行为建模：充分利用平台内的用户行为信息，借助图神经网络强大的特征提取和关系推理能力，发现更具意图扩展性的关键词。2. 优选阶段主要目标是从召回的关键词中选择效果更优的关键词，我们将其建模成 E&E（Exploit & Explore）问题：

首先，利用 OCR、图片分类等能力，充分挖掘图片物料中的有效信息，并基于核心词识别、查询改写等方式对 OCR 结果进行扩展，丰富广告物料特征；

从广告主视角看，该方案让客户逼近全流量PV参竞，让智能出价有更大的空间优选流量，提升广告投放效果；从流量视角看，该方案提高了竞价链路的顺畅度，提升了流量分配效率。

挑战与难点：因为小红书平台丰富的广告样式（原生笔记、表单广告以及商品卡片样式）这个对于智能圈词其实带来了一定的挑战与笔记样式不同。

近两年来，各大广告平台都在重点发展广告投放机制策略方向——跨渠道全站投放策略，本文将从策略产品角度进行策略分析解读，希望对你有所启发。

2、跨渠道全站投放智能关键词定向策略

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

在“发现tab”信息流推荐场域，人群定向是最为关键的营销范围表达方式，也是精准营销广告的标的物。在全站智投产品线中，广告平台提供了智能定向的能力，广告主无需自己表达定向人群，召回recall算法会根据物料item（笔记/视频）来优选符合客户目标表达的流量进行参竞。

题图来自 Unsplash，基于 CC0 协议

智能圈选关键词的工作原理如上图所示，采用比较经典的“召回+优选”两段式架构。

与信息流推荐相反，搜索结果页广告是需要关键词query做触发的，广告物料选择关键词对于搜索场景的结果非常重要。因此需要通过前置对于物料内容的理解、用户行为的分析，E&E优选等技术来实现智能化圈词的算法，帮助客户对于自己的物料内容进行智能化圈选优质关键词，保证广告投放效果。

智能圈选算法实现

一方面，是表单和商品卡样式往往是简单的图文组合，能够直接获得的文字信息较少；另一方面，投放表单和商品卡广告的客户数量明显少于笔记类客户，广告量少、有效日志少等数据稀疏性问题凸显出来。解决方案：

今天接着介绍各大广告平台近两年都在重点发展的广告投放机制策略方向——跨渠道全站投放策略，前文也给大家说明了做跨渠道投放的意义所在“预算通，全域通”，帮助广告主达成效果的前提下，对全域的流量进行价值分配，平衡平台收益。

如下图所示，具体实现层面，召回阶段根据广告最终排序采用 LTR Pointwise 建模，将复杂的排序问题化简为下发率（pSend）预估问题；模型设计采用经典的双塔结构，在满足召回性能要求的同时，优化模型预估的准确率。

上一篇也提到了，全站投放绝对不仅仅停留在预算分配、智能出价以及关键词和定向上，从全局视角下的归因助攻、竞拍机制、诊断机制策略都是需要逐步完善考虑到的，做到真正的全局最优才是策略产品应该设计考虑到的。

小红书搜索结果页面

双塔召回说明

讲完智能预算分配策略、智能出价策略，我们继续讲讲智能人群定向和智能关键词定向，这篇文章Arthur只从策略产品角度进行策略分析解读，如果有帮助到大家，还请辛苦大家帮忙点赞、评论以及收藏~

1、跨渠道全站投放智能人群定向策略

保证所有候选关键词都有概率被圈选，获得线上反馈数据（query词维度的点击率CTR、广告的转化率CVR以及用户对于笔记的曝光数等等），并根据投放反馈调整关键词的圈选概率，以确保广告投放的长期收益。

3、跨渠道投放策略总结

目录部分：

跨渠道全站智投提供了多种优化目标，包括优化收藏点赞、私信以及表单提交等等，为防止维护成本高并且会错过符合客户表达目标成本的流量，因此未采用传统找会阶段设置多个自召回通道Top K的截取方式；全站智投智能定向采用了Learning To Rank（LTR）的方式，对齐精排广告最终排序结果进行召回。

1. 召回阶段主要是通过内容理解+用户行为建模的方式挖掘潜在关键词。

最后，将“同客户投放”以及“物料同现”关系纳入图模型的建模过程中，以解决历史日志中表单和商品卡样式广告数据稀疏问题。

关于跨渠道投放策略，Arthur作为策略产品给一点个人的思考，其实是所有广告平台都在摸索的方向，广告平台瞄着“预算通、全域通”的方向不断摸索，致力于让广告主表达营销后托管平台投放广告的表现形式，这样平台对于流量的界定以及以及预算分配就有着充足的控制权力，在保证客户效果的前提下也达成平台流量收益最大化。

其次，在建模的优化上，我们在语义模型中使用对比学习方法，并引入客户历史投放信息优化训练集，将同客户投放的不同类型物料认定为相似物料，用于构建正样本，以此提升对表单和商品卡物料的建模能力；