计算广告学习——概念

1. 边际成本

边际成本指的是每一单位新增生产的产品（或者购买的产品）带来的总成本的增量。 这个概念表明每一单位的产品的成本与总产品量有关。

举个例子：

比如现在你生产bai汽车，原本一天生产两辆，现在增加产量，一天生产三辆，那么成本肯定会增加吧，假设成本增加10万，那么这10万，就是边际成本。即增加一个单位的产量所带来的成本的增量，叫边际成本。

边际成本不是固定不变的，这就涉及到可变成本和不变成本的问题了。还是举生产汽车的例子吧，假设你原来一天生产两辆汽车，现在一天要生产三辆，那么除了购买生产汽车本身所需要的原材料（比如各种汽车配件神马的）之外，你很可能还需要购买更多厂房和机床，需要雇佣更多工人，因为你原来的工厂规模、设施、人手都不足以生产三辆汽车，要生产三辆汽车就要多花很多钱，这时候边际成本自然较高。可如果你原来一天生产100辆汽车，现在一天要生产101辆，那么你只需要购买必需的原材料和配件，不需要扩大厂房和人手了，边际成本自然较低，这就是规模生产的好处之一。

2. 什么是大数据问题

从理论上来讲，并没有很准确的界定标准，就好像在问你觉得什么是人工智能一样；
从实践角度来说，自从互联网公司开始挖掘海量用户行为数据中的价值，大数据这一概念就进入了实践阶段。

3. 什么是在线广告、定向广告、搜索广告

在线广告：在线媒体上投放的广告 ，包括一切互联网广告(定向、搜索也包含在内) ——《计算广告，刘鹏》

定向广告：指的是用户被动接受的广告。例如打开淘宝页面，会自动给你推荐各种各样的商品，这是你被动接受的

搜索广告：指的是基于Query的方法。还以淘宝为例，用户在搜索框中搜索商品关键字，出现的商品就是搜索广告，对于不同用户可能搜索出来的内容也不一样。

下图展示了定向广告和搜索广告的区别：

4. 什么是A/B Test

A/B test 是一种用来测试新产品或新功能的在线测试常规方法。一般分为两组用户，一组对照组，一组实验组。对照组采用已有的产品或功能，实验组采用新功能。要做的是找到他们的不同反应，并以此确定哪个版本更好

A/B test 能帮助你爬上前面的山峰，但如果想弄清楚是爬这座还是另一座，A/B test 可能不太有效。A/B test 能对很大范围的事情进行测试

例如：

• 亚马逊个性化推荐的 A/B test，发现个推能显著提升收益。
• 领英对首页流排序的测试，谷歌的搜索广告排名。
• 此外还可以对用户难以察觉的东西进行测试，如网站响应速度。亚马逊在07年发现：页面每增加100ms延迟，收入将会下降1个百分点。

5. 推荐系统与计算广告

5.1 推荐系统

定义：推荐系统是一种信息过滤系统，根据用户的历史行为、社交关系、兴趣点进行推荐商品。

Q1:机器学习如何找到这些适合你的商品？

A1:
1）基于内容的推荐算法(Content-based Filtering)
最早人们使用的是基于内容的推荐算法，根据物品的属性为他们打上标签，再通过这些标签计算他们之间的相似度。

2）协同过滤(Collaborative Filtering)
协同过滤就是通过数据找到与你相似的用户，通过他们的行为和他们喜欢的内容，为你推荐你可能感兴趣的物品或内容，充分利用了用户的“集体智慧”。日常生活中，我们也会找到兴趣相同的朋友来帮我们推荐电影或者音乐。下图为协同过滤的思想。

Q2：怎么去理解推荐系统的目标？

A2：
推荐系统他的目标很多，到底选择哪个作为指标是个问题，这需要根据实际的应用场景来做出决定，因为不同的场景，需求不同。需求大致有以下5种：

1）首页推荐
2）热门推荐(热搜)
3）搜索之后推荐(淘宝的基于Query的广告推荐)
4）购买之后的推荐(买完iphone手机不能再推荐手机产品了)
5）关注了某个用户之后的推荐(小红书)

Q3：什么是推荐系统中的冷启动问题？

A3：

1）用户冷启动：新用户来的时候，如何推荐
2）物品冷启动：新的物品，如何推荐
3）系统冷启动：新的网站上线，如何推荐

5.2 计算广告

计算广告：他不完全等同于推荐系统，他首先是一项商业活动，然后才是一项技术。在这一商业活动中，广告主、媒体和用户的利益都需要被认真考虑和满足。因此计算广告比推荐系统复杂的多。