计算广告与推荐系统有哪些区别？

（背景：之前做解决方案的时候做过一些推荐系统项目，现在转行做商业化产品也就是计算广告，正好题主说的计算广告领域和推荐系统我都接触过）

1.总述

先直接回答题主的问题，计算广告和推荐系统有交集，但是不能说推荐系统是计算广告的一部分。因为推荐系统除了应用在广告领域，还应用在电商自然商品推荐、内容推荐等领域，推荐系统本身是一个非常大的概念。同时计算广告领域除了推荐广告，还有搜索广告，品牌广告等。二者真正的交集就是在推荐广告这个细分领域。

所以我们用下面一张图来进行概括：

2. 推荐系统在广告领域的应用和其他领域的相同和不同点

下面我们重点介绍一下推荐系统在广告领域的应用和其他领域应用中的相同和不同点，我们以电商领域里面的推荐广告和自然推荐做对比。

比如上图里面展示的商品就有推荐的广告商品，也有推荐的自然商品。二者有何相同，又有何不同了？

2.1 相同点

2.1.1 整体架构：不管是推荐广告，还是自然推荐，核心都是预测用户的喜好，为用户推荐他可能感兴趣的商品，吸引用户点击乃至最终成交下单。所以二者整体的推荐系统架构几乎是完全一样的，从召回、排序再到重排，最终前端展示等。一整套系统架构二者是一样的。

2.1.2 Recall（召回层）：召回层二者所使用的一些思路和算法也基本一样，比如针对不同用户群体构建不同的召回策略，多路召回等等。常见的几路召回策略比如：ItemCF、Rebuy、Top_CTR等，这些策略在推荐广告商品和自然推荐时都会用到。

2.1.3 Rank（排序层）：排序层使用的排序模型比如传统的LR+GBDT，和现在的DeepFM、甚至是深度强化学习，双方都会使用，也不存在某一个模型对于二者有什么偏好。

2.1.4 Rerank（重排层）：过滤一些敏感隐私商品、针对一些连续的重复类目商品进行打散、特定时段优先展示某些商品，这些策略双方都需要考虑。

因为推荐广告本身也还是推荐，所以在大的层面上和自然推荐不会有比较大的差异。但是在具体的细节层面，双方差异会很大。

2.2 不同点

2.2.1 本质：推荐广告和自然推荐本质要处理的群体和衡量的利益完全不一样。

• 自然推荐：只需要考虑用户和平台之间的利益，提升用户体验，提升信息分发的效率。
• 推荐广告：需要同时考虑用户、平台和广告主三者之间的利益，权衡好三者之间的关系。广告主花钱投放了广告，就需要对广告主的商品尽可能地多曝光，广告多曝光平台才可以针对广告收更多的钱。但是曝光的广告商品，用户是否感兴趣，给用户强推广告商品非常影响用户体验，如何做到广告收入和用户体验之间的平衡是推荐广告需要考虑的关键点。

2.2.2 评估指标：

• 自然推荐：自然推荐效果的评估指标主要是CTR、CVR、用户停留时长、以及用户最终贡献的GMV等。不同阶段不同类型的APP，可能上述指标都不太一样。比如电商APP前期可能更注重用户的CTR和停留时长，后期更加关注实际的转化和GMV等。
• 推荐广告：最核心的考核指标就是广告收入，因为广告就是一个赚钱的业务。上述指标做得再好看，没有给平台带来更多的收入都是白瞎。当然在为平台产生收入的同时，一方面需要考虑用户的体验，用户的体验就要从CTR、CVR、用户停留时长等指标综合评估，而另一部分也需要考虑广告主的利益，广告主投放广告的ROI。尤其是很多广告主会在多个平台进行广告投放，比如淘宝、京东，广告主会进行相互比较。

同时推荐广告和自然推荐进行比较时还会面临一个问题，就是平台将部分流量拿出来做了广告，该部分广告带来的收入和GMV提升对于平台的收益是否超过平台将这部分流量全部做自然推荐带来的整体收益大，这是每个平台内部都需要去考虑的，一般内部都会有一套公式来进行评估。

2.2.3 Recall（召回层）：

• 物料池：推荐广告只能召回平台上广告主投放的广告物料，同时有很多商品受到《广告法》的约束是不能投放广告的。正常情况广告物料会比自然物料少很多，而且广告物料会呈现价格偏高的趋势，因为特别便宜的商品广告主再投放广告就更没有利润空间了。如果二者物料池的丰富度和量级差异比较大，推荐广告的CTR是很难和自然推荐的CTR持平的，有时二者之间的差异会比较大。
• 定向策略：广告主在进行投放时会针对自己的广告物料设置一些定向策略，比如该商品仅面向女性或者仅在晚上投放等等，此类定向策略会很多，定向策略将会影响广告物料的召回。自然推荐就不会存在此类限制问题。

2.2.4 Rank（排序层）：

• 排序逻辑：自然推荐的排序是由排序模型的打分决定的，模型说了算，模型预测用户对那个商品更感兴趣就会排序在前。但是广告物料的排序，我们不仅要预估CTR，我们还同时要考虑广告主对于该广告位的出价。并不是用户对哪个广告物料更感兴趣，哪个物料就排序在前，我们还需要考虑广告收益的最大化，整体的排序计算公式见下图：

P-CTR代表模型实时预测用户对该广告的点击率，CPC代表广告主愿意为买一次广告点击出的价格。P-CTR * 1000就代表如果曝光1000次该广告，用户可能点击的次数。比如P-CTR(B)* 1000=10次，就代表给用户曝光1000次，用户可能点10次，那么平台就可以收入10*100=1000元。所以eCPM的意义就是曝光1000次，平台侧可能的收入。像B广告主虽然出价高，但是模型预测用户的CTR很低，最终用户点击的次数会很少。因为广告一般都是按照点击进行扣费的，用户必须点击平台侧才可以扣广告主的费用。所以最终C竞价成功，对于平台侧来说曝光C的广告，预期收入是最大的。

但实际排序时eCPM只是参考的一个方面，平台侧还需要去考虑广告商品的质量、历史销量、历史好评率等等各种因素，将这些因素综合考虑组成另外一个分数，最终的排序分数是一个复合公式：

按照综合的 Rank_score进行排序。推荐广告的排序要比自然推荐考虑的因素要更多，也更复杂。上述公式读者也可以在我最后推荐的书籍里面查找到，里面会有详细解释。

2.2.5 前端展现层

很多场景中用户前端看到的广告商品是需要标识出“广告”二字的，尤其是搜索广告。而自然推荐则不需要任何标识。

2.2.6 扣费

自然推荐，用户对推荐的商品感兴趣下单就结束了，至此和推荐相关的事情就全部结束了。但是在计算广告领域还有一个非常重要的环节就是如何对广告主进行扣费。市场上一般有两种扣费方式一种是GSP，叫做广义二价计费，简单来说就是第一名竞价成功后，按照第二名的竞价来进行扣费；另一种是VCG，是一种博弈论的扣费方式，简单来说就是按照第一名竞价者对其它竞价者造成的损失来扣费。后续会专门写文章详细介绍这两种扣费方式，欢迎大家持续关注。

3. 推荐部和广告部

在很多公司里面，自然推荐和广告部是完全两个独立的部门，自然推荐和广告推荐也是两个完全不同的推荐团队来做，存在一种赛马的味道。对于很多互联网公司来说，广告部是公司每年收入的核心。比如百度的凤巢、阿里的阿里妈妈、字节的巨量引擎等。对于技术人员来说，其实钻研的技术没有多大差异，但是所从事的业务却不一样，越靠近收入部门，未来产生的价值也就越大。所以如果有知友陷入到底选择推荐广告还是自然推荐，个人还是更建议推荐广告，毕竟广告是直接产生收益的部门。最后给大家推荐两本书，是我觉得对应领域比较权威且科普性强的书，一本是刘鹏写的《计算广告》，一本是项亮写的《推荐系统实践》。