你是如何被微信广告选中的？微信广告引擎与社交传播算法实践

第二个阶段，社交传播节奏控制，它是广告选人阶段，假如这个时刻是让三个人中最好那两个人才能收到广告，那么根据分数计算，发现此时小明此时此刻是没办法收到宝马和可乐这两个广告。但这仅仅只代表此时此刻，随着传播范围的扩散，以及小明受到越来越多的好友的影响，他在之后的某个时刻还是可能继续收到广告的。

第三个阶段，基于社交的排序阶段。此时用户已经拿到了那些他可以收到的广告列表，然后再把社交意愿分加入到排序公式之中，选择最合适的那条广告给到用户。

社交意愿的计算

用户的社交意愿，除了受个人主动的互动兴趣外，还受好友的影响。可以看下图下面影响力作用的几个阶段。首先，最中间，用户对两个广告有一个主动兴趣，这是不受其他人影响的。左边，有两个好友分别对两个广告进行了互动，他们与该用户的影响力都是不同的。右边，是一个传播的过程，表示假如我收到广告后，我的互动可能对其他人造成的影响。

我们通过一个例子来看下影响力在朋友圈环境下和品牌力感知的关系。假如你看到一个洗发水广告，可能就是超市常见的牌子，没用过也没怎么留意过。但此时已经有许多你的好友在下面点赞评论了，而且反应去屑效果真的很棒。这个时候，你可能会想到我的洗发水貌似用了还有头屑啊，那么要不要试试这个呢?此时，你可能回复一个好友说“我也试试去”，但也可能你就不回复了，不过此时你对这个品牌的印象一定是加深的。再想想这些讨论的好友中，假如还有一个是你的老板，可能平时你们都没机会说话，那这个时候要不要也点个赞表达下赞同呢?还可能能吸引下关注。这个就是社交影响力的作用，而这里的主要问题是影响力如何量化。

首先，好友之间的影响力评估，越是亲密的两位好友影响力越大，因此一般会基于亲密度进行模型建设。但我们通过限量的系统发现其带来的收益很小，便对其进一步的数据分析发现主要原因是目标不一致。

举个例子，我们与父母特别亲密，但是我们却不会在他们的朋友圈发表的内容进行评论。于是，我们进一步改进通过更加相关的行为评价影响力，即 A 能影响 B 日常互动的概率，将其定义为影响力，但该数据在一定置信度下十分稀疏，所以通过模型预估方式进行计算。

这里，除了基础的一些特征之外，我们还运用了几个网络特征。比如，好友关系网，正常情况下微信用户有 8 亿，那么这就是一个 8 亿 *8 亿的邻接矩阵。这个是很难用作模型训练的 feature 的。同时，还有其他的一些关系网，比如消息互动，文章阅读等。那么这里，我们采用一种叫 node2vec 的方法将这些图节点映射为一个向量。这个向量维度比较低，我们就能拿这些来进行训练。最终通过 GBDT 和 LR 来进行影响力的预估。

Node2vec 是一种 embedding。首先，就是如何采用图中的节点信息可以尽量保留多一些原始的网络信息。 换到自然语言处理的场景，一般个词可以用它周围的词来表示它，这个也就是 word2vec 的思想。那同理到图中，我们就是可以用一个节点的周围节点来代表它，node2vec 就是用解决如何抽样的问题。

那么，我们拿到抽样后的向量就可以用 word2vec 的方法来进行训练，得出每个网络节点可表示的向量。

（编辑：东莞站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!