计算广告与推荐系统有哪些区别？

在Facebook工作的时候做的是newsfeed ranking （新鲜事排序），算是一种推荐系统吧，而且newsfeed中也包含了广告（Feed Ads）。说说我的理解。

结论：推荐系统和计算广告是不同维度上的概念。推荐系统是一种技术，广告是一项业务。个性化推荐可以用在广告中，更可以用在别的产品层面。同时，个性化推荐只是计算广告的一个环节，一个完整的广告系统还需要其他很多重要的技术组件。

0. 个性化推荐在广告之外的很多产品层面都有应用

几个常见的应用领域：

有机内容(organic content)的筛选与排序: Facebook，知乎，今日头条的新鲜事都是个性化排序的结果。Spotify也是类似的例子。个性化推荐做的好不好直接影响产品的活跃度(engagement)和存留(retention)。

一些Growth Hack也极为依赖个性化推荐的质量：最为常见的例子就是Facebook/知乎上“你可能认识/感兴趣的人”。关注的人越多质量越好，用户存留的可能性就越大。

Amazon和Netflix的推荐购买/观看：这个就比较接近广告了。

1. 广告系统也不仅仅只有个性化推荐

一个完整的广告系统，从广告商投放广告到用户看到广告，需要以下几个重要组件：

• [面向广告商的工具] 广告商可以根据自己的需要定制投放人群：年龄，性别，地理位置，职业，兴趣等等。
• [算法] 个性化推荐：在众多符合条件的广告中选择最合适的一个。
• [算法] 决定在哪里放广告：这在以前其实不是个事，因为就几个能放广告的固定位置（banner，页面右侧）。然而随着Facebook发明了Feed Ads，在新鲜事里放原生广告成了社交类产品的标配。以微信为例，在朋友圈里的第几个位置放广告其实是个挺有学问的事。放高了影响用户正常体验，放低了没人看得到。这大该就是微信口中的“实时社交混排算法”吧。
• [算法] 定价：放的这个广告该跟广告商要多少钱。这受很多因素影响：放的位置高低，有多少个其他广告一起竞价，等等。

所以，个性化推荐只是整个广告流程的一个小部分。不过，好的个性化推荐可以提高广告的点击率，从而增加产品营收。

2. 个性化推荐不一定非要是机器学习

很多人把个性化推荐等同于机器学习，甚至deep learning。这在严格意义上其实是不准确的。个性化推荐本质上是一组算法。这些算法可以是基于机器学习的，也可以是基于其他信号或者策略。比如说：

Amazon和Netflix最早的推荐系统就是item-item的算法。本质上是基于用户评价计算任何两件商品的相似度，生成一个巨大的二维矩阵。很难说这是机器学习。

Facebook最早的新鲜事排序就是基于一些人工制定的规则，表现也挺不错，以至于基于机器学习的实现在很久之后才在A/B test中击败人工规则。

Pandora的曲库是人工打标签，基于此生成个性化推荐。连机器都没怎么用。

不过广告系统中的个性化推荐一般都是机器学习，Supervise learning对广告这方面有极为成熟的方案。

本文作者：宋一松

来源：51CTO