@sambodhi
2018-02-13T15:22:10.000000Z
字数 4159
阅读 1785
作者|eBay
译者|Sambodhi
编辑|Natalie
AI前线导语:上下文广告是与内容匹配的网络广告,比如,用户在网络上浏览信息,如果看到汽车相关的文章,就会看到汽车销售、汽车保险、汽车杂志相关的广告。上下文广告会成为智能广告的前奏。eBay联盟营销的上下文广告做得相当出色,今天我们就来看看eBay是如何将自家的上下文广告做到极致的。
更多干货内容请关注微信公众号“AI 前线”,(ID:ai-front)
eBay利用各种营销渠道将新客户和现有客户汇集到该网站,其中之一就是eBay的联盟计划。eBay还提供工具包来帮助发布商/分支机构增加佣金。有些工具可在eBay网站上购物时创建可跟踪的链接。至于更复杂的工具,如我们的API,可以支持自定义访问eBay的产品列表数据。例如,用户可以创建横幅来添加实时的eBay清单到自己的网站。本文讨论了如何根据页面内容在发布商网站进行上下文广告。这种方法的亮点包括:
联盟营销是一个网上推荐项目,商家向发布商支付他们所提到的客户销售的佣金。
AI前线:Affiliate Marketing,中文可以理解为联盟推广,也叫联盟营销,佣金计算方式是按成交付费,也即是CPS。Affiliate Marketing的优点是佣金往往比较客观。Affiliate Marketing是一种由来已久的推广方式,由你向某个人推广某一个产品,当那个人通过你的推广购买了产品时,你就可以获得佣金。佣金的多少取决于你推广的产品。
有很多方法可以向访问我们合作伙伴网站的客户提供相关广告:
通过展示用户在过去与eBay互动的内容(也称为重定向广告),我们将其定位为相同、相似或者互补的项目。(已产生兴趣,我们尝试通过购买来转话客户。)
通过提供来自发布商提供的关键词的eBay条目。(使用eBay搜索服务提供基于发布商提供的关键词的条目)
基于用户正在查看的内容,从而鼓动他们在eBay上进行订阅或购买决定。
AI前线:所谓重定向广告是效果类广告中的一种精准投放方式。在消费者购物的过程中,常常会因为这样或那样的原因,最终没有完成转化。重定向广告将商品展示到此类未完成转化的消费者面前,将其带回到相关网页。由于展示的商品往往也是消费者最想要的,所以重定向广告的转化率比一般广告要更高。
在本文中,我们将讨论如何发布就广告内容相关的广告,并讨论一些我们用来实现业务目标的几个算法。
算法1:基于主题建模和页面标题
处理流程:
详细过程:
搜寻发布商网站:使用自制的网络爬虫,搜寻发布商的网站。网络爬虫会搜寻并返回发布商网址的HTML文件。(发布商明确地选择这种定位的方式,因此理解并允许我们抓取他们的网站。)
抓取发布者内容:抓取由<p>
描述的内容标签的HTML文件。另外,抓取标签<div>
下的内容,这样我们就可以获得更多关于页面的细节。该算法将处理页面上不需要的内容。
识别页面的情绪:
算法:为页面内容生成一大堆单词,对否定词进行惩罚,并对正面单词进行奖励,然后计算整个页面的得分。
一旦页面被抓取,我们通过删除停止字、特殊字符、标点、空格等清理网站内容,以获得文献术语相关矩阵(Document Term Matrix,DTM)。DTM包含页面上的单词列表及其相关的频率计数(通常也成为术语频率)。
然后我们运行三个单独的通用情感词典,如AFINN、Bing和nrc(由Finn Arup Nielsen、bing Liu及其合作者Saif Mohammad、Peter Turney编纂)。所有这三个词典都是基于一元模型(unigrams),即单个单词。这些词典包含了许多英语单词,这些单词被赋予积极/消极情绪的分数,也可能是诸如喜欢、愤怒、悲伤等情绪。nrc词典将单词以而二进制形式分类(是/否)分为积极、消极、愤怒、期待、延误、恐惧、喜悦、悲伤、惊讶和信任。Bing词典以“二元”方式将单词分为“褒义”“贬义”两类。而AFINN词典则给单词打分,分数在-5到5之间,负分表示消极情绪,正分表示积极情绪。
该页面必须有三个词典中的两个才能返回正分数,以便将URL视为正数。
这种简单易行的检测情绪的方法是强大而准确的,我们构建了一个人工判断工具来整理算法的效率。实现了误分类率为16%,这意味着84%的时间,算法预测了页面的实际情绪。
4. 确定相关的关键词
然后将上述两种方法生成的关键词结合起来,根据页面出现的频率,从结合中取出前三个唯一关键词。
AI前线:Gibbs抽样是Metropolis Hastings算法的一个特例。MH算法利用了马尔可夫链的细致平衡,从而获得了联合分布的采样。有了联合分布的采样我们就可以得到边缘分布,而这在贝叶斯推断中求后验分布有重要作用。
主题建模概念
主题建模是一种无监督的方法,可自动识别出出现在文本中的主题,并派生出文本语料库所展现的隐藏模式。粗略地说,一个主题是在词汇表中一组术语的概率分布,可以看做是“在语料库中共同出现的术语的重复模式”。
主题模型与基于规则的方法不同,它们使用正则表达式或者基于词典的关键词搜索技术。
我们使用隐狄利克雷分布(Latent Dirichlet Allocation,LDA)进行主题建模。它是一种矩阵分解技术,是潜在语义索引(Latent Semantic Indexing,LSI)的概率版本,试图提取数据中的潜在因素,即“主题”。
AI前线:隐狄利克雷分布,简称LDA(Latent Dirichlet allocation),是一种主题模型,它可以将文档集中每篇文档的主题按照概率分布的形式给出。同时它是一种无监督学习算法,在训练时不需要手工标注的训练集,需要的仅仅是文档集以及指定主题的数量k即可。此外LDA的另一个优点则是,对于每一个主题均可找出一些词语来描述它。LDA首先由Blei, David M.、吴恩达和Jordan, Michael I于2003年提出,目前在文本挖掘领域包括文本主题识别、文本分类以及文本相似度计算方面都有应用。
通俗来说,可以理解为:让计算机给人们推测分析网络上各篇文章分别都写了些啥主题,且各篇文章中各个主题出现的概率大小(主题分布)是啥。简而言之,就是根据给定的一篇文档,推测其主题分布。
算法2:基于页面的标题
该算法基于页面标题和副标题的词频。
一旦网站被搜寻(我们使用HTML标签<div>
和<p>
中的内容),通过移除停用词、特殊字符、标点符号、空格等来清除站点内容,获取包含单词列表及其相关频率的文档。
然后,我们只抓取页面的标题和副标题(<h1
到h6>
),只过滤名词(单数和复数)、专有名词(单数和复数)、外来词,以及标题和副标题上的基数词。
然后,我们在实际页面内容上获取最常见的三个标题/副标题,并将这三个关键词传递给搜索服务。
5. 调用eBay search API来获取关键词——一旦为各网页提供了关键词,就会将其传递到我们的搜索服务API中,以获得条目推荐。
示例
URL: http://mashable.com/2017/10/25/stranger-things-eleven-poster-netflix-art/#Mcar2m5NDiqh
算法1展示了《怪奇物语》(Stranger Things)的纪念品,而算法2则展示了《怪奇物语》的魔王海报。这是因为算法1缺少“海报”关键词,这正是本文要讨论的内容。
我们从用户的判断工具中选择了算法2和算法1,并进行比较,算法2的表现优于算法1。
结果:这个简单而有效的算法在收集大量网址的反馈过程中,经过多轮人工判断,我们发现:
触发关键词生成算法的情绪算法能够预测页面的正确情绪,高达84%。
与算法1相比,针对关键词的算法2,及之后的eBay条目生成得到了更高的反馈分数(在人工判断工具中以5分为满分,则大于3.5分)。
每个网址都有一个新的eBay类别预测算法,如果没有关键词生成算法的结果,则会使用这个算法。
此外,营销数据科学团队正致力于基于页面上显示的图像生成类似的eBay条目列表。另外,该团队正在为发布商页面上出现的图像构建一个合理的撤回eBay条目清单机制。(即如果发布商页面上有高山的图片,那么在为图像呈现eBay相关条目时,算法不应将这些图片作为种子图像。)
一旦产生这些不同的定位方式,营销数据科学团队计划建立一个机器学习模型,确定用户层面上如何响应不同的定位方式(基于上下文相关的关键词、基于由发布商提供的关键词的图像、基于重定向)并根据访问相同页面的不同客户来进行调整。
总之,如果发布商可以在其页面上提供与上下文相关的eBay条目,则无需执行任何操作,只需注册该程序即可,我们最终会为发布商、买家、卖家和eBay提供一个有利的生态系统。
原文链接:
Contextual Advertising for eBay Affiliate Marketing
https://www.ebayinc.com/stories/blogs/tech/contextual-advertising-for-ebay-affiliate-marketing/