本文由 「AI前線」原創(chuàng)，原文鏈接：淺析eBay聯(lián)盟營銷的上下文廣告機制
作者｜eBay
譯者｜Sambodhi
編輯｜Natalie

AI 前線導(dǎo)讀： 上下文廣告是與內(nèi)容匹配的網(wǎng)絡(luò)廣告，比如，用戶在網(wǎng)絡(luò)上瀏覽信息，如果看到汽車相關(guān)的文章，就會看到汽車銷售、汽車保險、汽車雜志相關(guān)的廣告。上下文廣告會成為智能廣告的前奏。eBay 聯(lián)盟營銷的上下文廣告做得相當(dāng)出色，今天我們就來看看 eBay 是如何將自家的上下文廣告做到極致的。

eBay 利用各種營銷渠道將新客戶和現(xiàn)有客戶匯集到該網(wǎng)站，其中之一就是 eBay 的聯(lián)盟計劃。eBay 還提供工具包來幫助發(fā)布商 / 分支機構(gòu)增加傭金。有些工具可在 eBay 網(wǎng)站上購物時創(chuàng)建可跟蹤的鏈接。至于更復(fù)雜的工具，如我們的 API，可以支持自定義訪問 eBay 的產(chǎn)品列表數(shù)據(jù)。例如，用戶可以創(chuàng)建橫幅來添加實時的 eBay 清單到自己的網(wǎng)站。本文討論了如何根據(jù)頁面內(nèi)容在發(fā)布商網(wǎng)站進(jìn)行上下文廣告。這種方法的亮點包括：

• 根據(jù)頁面內(nèi)容，通過算法確定如何識別出頁面的標(biāo)題 / 相關(guān)關(guān)鍵詞。
• 忽略凌亂的 HTML 內(nèi)容，只篩選相關(guān)和重要的關(guān)鍵詞。
• 在不丟失推薦關(guān)鍵詞的相關(guān)性的情況下，隨著網(wǎng)址數(shù)量的增加進(jìn)行擴(kuò)展。
• 使用經(jīng)測試并確認(rèn)有效的 eBay 搜索算法，提供相關(guān)的 eBay 條目，在發(fā)布者頁面上呈現(xiàn)。
• 僅當(dāng)頁面返回積極情緒時才觸發(fā)條目呈現(xiàn)算法。我們已根據(jù)內(nèi)容和上下文，為每個 HTML 頁面構(gòu)建了情緒預(yù)測算法。

聯(lián)盟營銷模式

聯(lián)盟營銷是一個網(wǎng)上推薦項目，商家向發(fā)布商支付他們所提到的客戶銷售的傭金。

AI 前線：Affiliate Marketing，中文可以理解為聯(lián)盟推廣，也叫聯(lián)盟營銷，傭金計算方式是按成交付費，也即是 CPS。Affiliate Marketing 的優(yōu)點是傭金往往比較客觀。Affiliate Marketing 是一種由來已久的推廣方式，由你向某個人推廣某一個產(chǎn)品，當(dāng)那個人通過你的推廣購買了產(chǎn)品時，你就可以獲得傭金。傭金的多少取決于你推廣的產(chǎn)品。

有很多方法可以向訪問我們合作伙伴網(wǎng)站的客戶提供相關(guān)廣告：

通過展示用戶在過去與 eBay 互動的內(nèi)容 (也稱為重定向廣告)，我們將其定位為相同、相似或者互補的項目。（已產(chǎn)生興趣，我們嘗試通過購買來轉(zhuǎn)話客戶。）

通過提供來自發(fā)布商提供的關(guān)鍵詞的 eBay 條目。（使用 eBay 搜索服務(wù)提供基于發(fā)布商提供的關(guān)鍵詞的條目）

基于用戶正在查看的內(nèi)容，從而鼓動他們在 eBay 上進(jìn)行訂閱或購買決定。

AI 前線：所謂重定向廣告是效果類廣告中的一種精準(zhǔn)投放方式。在消費者購物的過程中，常常會因為這樣或那樣的原因，最終沒有完成轉(zhuǎn)化。重定向廣告將商品展示到此類未完成轉(zhuǎn)化的消費者面前，將其帶回到相關(guān)網(wǎng)頁。由于展示的商品往往也是消費者最想要的，所以重定向廣告的轉(zhuǎn)化率比一般廣告要更高。

在本文中，我們將討論如何發(fā)布就廣告內(nèi)容相關(guān)的廣告，并討論一些我們用來實現(xiàn)業(yè)務(wù)目標(biāo)的幾個算法。

算法 1：基于主題建模和頁面標(biāo)題

處理流程：

搜尋發(fā)布商網(wǎng)站。

抓取發(fā)布商的內(nèi)容。

確定內(nèi)容是否反映正面或中立的情緒。

使用自然語言處理技術(shù)來確定感興趣頁面中相關(guān)的關(guān)鍵詞。

基于關(guān)鍵字，調(diào)用 search API 獲取該單詞的 top 項目，并在發(fā)布商的網(wǎng)頁上分享。

詳細(xì)過程：

搜尋發(fā)布商網(wǎng)站：使用自制的網(wǎng)絡(luò)爬蟲，搜尋發(fā)布商的網(wǎng)站。網(wǎng)絡(luò)爬蟲會搜尋并返回發(fā)布商網(wǎng)址的 HTML 文件。（發(fā)布商明確地選擇這種定位的方式，因此理解并允許我們抓取他們的網(wǎng)站。）

抓取發(fā)布者內(nèi)容：抓取由<p>描述的內(nèi)容標(biāo)簽的 HTML 文件。另外，抓取標(biāo)簽<div>下的內(nèi)容，這樣我們就可以獲得更多關(guān)于頁面的細(xì)節(jié)。該算法將處理頁面上不需要的內(nèi)容。

識別頁面的情緒：

算法：為頁面內(nèi)容生成一大堆單詞，對否定詞進(jìn)行懲罰，并對正面單詞進(jìn)行獎勵，然后計算整個頁面的得分。

• 一旦頁面被抓取，我們通過刪除停止字、特殊字符、標(biāo)點、空格等清理網(wǎng)站內(nèi)容，以獲得文獻(xiàn)術(shù)語相關(guān)矩陣（Document Term Matrix，DTM）。DTM 包含頁面上的單詞列表及其相關(guān)的頻率計數(shù)（通常也成為術(shù)語頻率）。
• 然后我們運行三個單獨的通用情感詞典，如 AFINN、Bing 和 nrc（由 Finn Arup Nielsen、bing Liu 及其合作者 Saif Mohammad、Peter Turney 編纂）。所有這三個詞典都是基于一元模型（unigrams），即單個單詞。這些詞典包含了許多英語單詞，這些單詞被賦予積極 / 消極情緒的分?jǐn)?shù)，也可能是諸如喜歡、憤怒、悲傷等情緒。nrc 詞典將單詞以而二進(jìn)制形式分類（是 / 否）分為積極、消極、憤怒、期待、延誤、恐懼、喜悅、悲傷、驚訝和信任。Bing 詞典以“二元”方式將單詞分為“褒義”“貶義”兩類。而 AFINN 詞典則給單詞打分，分?jǐn)?shù)在 -5 到 5 之間，負(fù)分表示消極情緒，正分表示積極情緒。
• 該頁面必須有三個詞典中的兩個才能返回正分?jǐn)?shù)，以便將 URL 視為正數(shù)。

這種簡單易行的檢測情緒的方法是強大而準(zhǔn)確的，我們構(gòu)建了一個人工判斷工具來整理算法的效率。實現(xiàn)了誤分類率為 16%，這意味著 84% 的時間，算法預(yù)測了頁面的實際情緒。

4. 確定相關(guān)的關(guān)鍵字

• 基于內(nèi)容： 我們采用 Gibbs 抽樣（Gibbs Sampling）來運行 LDA 主題建模算法，獲得兩個主題，每個主題有三個關(guān)鍵詞，以概率最高的術(shù)語被作為頁面的關(guān)鍵詞。少于一次的單詞則從集合中予以刪除。
  
• 基于頁面的標(biāo)題： 我們拉取頁面的標(biāo)題，進(jìn)行解析并過濾出名詞（單復(fù)數(shù)）、專用名詞（單復(fù)數(shù)）、外來詞和基數(shù)詞，并根據(jù)標(biāo)題，基于它們在網(wǎng)頁上出現(xiàn)的頻率從中抽取前三個關(guān)鍵詞。

然后將上述兩種方法生成的關(guān)鍵詞結(jié)合起來，根據(jù)頁面出現(xiàn)的頻率，從結(jié)合中取出前三個唯一關(guān)鍵詞。

AI 前線：Gibbs 抽樣是 Metropolis Hastings 算法的一個特例。MH 算法利用了馬爾可夫鏈的細(xì)致平衡，從而獲得了聯(lián)合分布的采樣。有了聯(lián)合分布的采樣我們就可以得到邊緣分布，而這在貝葉斯推斷中求后驗分布有重要作用。

主題建模概念

• 主題建模是一種無監(jiān)督的方法，可自動識別出出現(xiàn)在文本中的主題，并派生出文本語料庫所展現(xiàn)的隱藏模式。粗略地說，一個主題是在詞匯表中一組術(shù)語的概率分布，可以看做是“在語料庫中共同出現(xiàn)的術(shù)語的重復(fù)模式”。
• 主題模型與基于規(guī)則的方法不同，它們使用正則表達(dá)式或者基于詞典的關(guān)鍵詞搜索技術(shù)。
• 我們使用隱狄利克雷分布（Latent Dirichlet Allocation，LDA）進(jìn)行主題建模。它是一種矩陣分解技術(shù)，是潛在語義索引（Latent Semantic Indexing，LSI）的概率版本，試圖提取數(shù)據(jù)中的潛在因素，即“主題”。

AI 前線：隱狄利克雷分布，簡稱 LDA(Latent Dirichlet allocation)，是一種主題模型，它可以將文檔集中每篇文檔的主題按照概率分布的形式給出。同時它是一種無監(jiān)督學(xué)習(xí)算法，在訓(xùn)練時不需要手工標(biāo)注的訓(xùn)練集，需要的僅僅是文檔集以及指定主題的數(shù)量 k 即可。此外 LDA 的另一個優(yōu)點則是，對于每一個主題均可找出一些詞語來描述它。LDA 首先由 Blei, David M.、吳恩達(dá)和 Jordan, Michael I 于 2003 年提出，目前在文本挖掘領(lǐng)域包括文本主題識別、文本分類以及文本相似度計算方面都有應(yīng)用。通俗來說，可以理解為：讓計算機給人們推測分析網(wǎng)絡(luò)上各篇文章分別都寫了些啥主題，且各篇文章中各個主題出現(xiàn)的概率大小（主題分布）是啥。簡而言之，就是根據(jù)給定的一篇文檔，推測其主題分布。

算法 2：基于頁面的標(biāo)題

該算法基于頁面標(biāo)題和副標(biāo)題的詞頻。

• 一旦網(wǎng)站被搜尋（我們使用 HTML 標(biāo)簽<div>和<p>中的內(nèi)容），通過移除停用詞、特殊字符、標(biāo)點符號、空格等來清除站點內(nèi)容，獲取包含單詞列表及其相關(guān)頻率的文檔。
• 然后，我們只抓取頁面的標(biāo)題和副標(biāo)題 (<h1到h6>)，只過濾名詞 (單數(shù)和復(fù)數(shù))、專有名詞 (單數(shù)和復(fù)數(shù))、外來詞，以及標(biāo)題和副標(biāo)題上的基數(shù)詞。
• 然后，我們在實際頁面內(nèi)容上獲取最常見的三個標(biāo)題 / 副標(biāo)題，并將這三個關(guān)鍵字傳遞給搜索服務(wù)。

5. 調(diào)用 eBay search API 來獲取關(guān)鍵詞——一旦為各網(wǎng)頁提供了關(guān)鍵詞，就會將其傳遞到我們的搜索服務(wù) API 中，以獲得條目推薦。

示例

URL: mashable.com/2017/10/25/…

算法 1 展示了《怪奇物語》（Stranger Things）的紀(jì)念品，而算法 2 則展示了《怪奇物語》的魔王海報。這是因為算法 1 缺少“海報”關(guān)鍵詞，這正是本文要討論的內(nèi)容。

我們從用戶的判斷工具中選擇了算法 2 和算法 1，并進(jìn)行比較，算法 2 的表現(xiàn)優(yōu)于算法 1。

結(jié)果： 這個簡單而有效的算法在收集大量網(wǎng)址的反饋過程中，經(jīng)過多輪人工判斷，我們發(fā)現(xiàn)：

• 觸發(fā)關(guān)鍵字生成算法的情緒算法能夠預(yù)測頁面的正確情緒，高達(dá) 84%。
• 與算法 1 相比，針對關(guān)鍵詞的算法 2，及之后的 eBay 條目生成得到了更高的反饋分?jǐn)?shù)（在人工判斷工具中以 5 分為滿分，則大于 3.5 分）。
• 每個網(wǎng)址都有一個新的 eBay 類別預(yù)測算法，如果沒有關(guān)鍵詞生成算法的結(jié)果，則會使用這個算法。
• 此外，營銷數(shù)據(jù)科學(xué)團(tuán)隊正致力于基于頁面上顯示的圖像生成類似的 eBay 條目列表。另外，該團(tuán)隊正在為發(fā)布商頁面上出現(xiàn)的圖像構(gòu)建一個合理的撤回 eBay 條目清單機制。（即如果發(fā)布商頁面上有高山的圖片，那么在為圖像呈現(xiàn) eBay 相關(guān)條目時，算法不應(yīng)將這些圖片作為種子圖像。）
• 一旦產(chǎn)生這些不同的定位方式，營銷數(shù)據(jù)科學(xué)團(tuán)隊計劃建立一個機器學(xué)習(xí)模型，確定用戶層面上如何響應(yīng)不同的定位方式（基于上下文相關(guān)的關(guān)鍵詞、基于由發(fā)布商提供的關(guān)鍵詞的圖像、基于重定向）并根據(jù)訪問相同頁面的不同客戶來進(jìn)行調(diào)整。

總之，如果發(fā)布商可以在其頁面上提供與上下文相關(guān)的 eBay 條目，則無需執(zhí)行任何操作，只需注冊該程序即可，我們最終會為發(fā)布商、買家、賣家和 eBay 提供一個有利的生態(tài)系統(tǒng)。

原文鏈接：Contextual Advertising for eBay Affiliate www.ebayinc.com/stories/blo…

更多干貨內(nèi)容，可關(guān)注AI前線，ID：ai-front，后臺回復(fù)「AI」、「TF」、「大數(shù)據(jù)」可獲得《AI前線》系列PDF迷你書和技能圖譜。

總結(jié)

以上是生活随笔為你收集整理的浅析eBay联盟营销的上下文广告机制的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。