Как работают рекомендательные системы рекламы — разбираем в карточках

Реклама в интернете — сама по себе огромная рекомендательная система. Например, в рекламной системе Яндекса ежедневно показывается 9 млрд объявлений. И чтобы пользователь перешел на сайт и увидел там рекламу, а не пустые блоки, подбирать ее нужно очень быстро:

В Яндексе релевантное объявление из базы в 1 млрд объектов подбирается за 200 миллисекунд.

Но как? Обсудим:

• Коротко о развитии рекомендательных систем и при чем тут ИИ

• Как в рекламе работают рекомендательные системы на основе ИИ — в 6 карточках

• Как обучают нейросеть

Как развивались рекомендательные системы и при чем тут ИИ

Современные рекомендательные системы начали развиваться с середины 2000-х. Чтобы понять, о чем мы говорим, представьте Яндекс Музыку. Задача ее рекомендательных систем — предсказать, что хочет пользователь, и предложить ему именно это. А цель: повысить удовлетворенность и удержать таким образом пользователя в сервисе. Со временем такие технологии стали еще точнее.

А что касается рекомендательных систем в интернет-рекламе? Здесь развитие тоже шло в несколько этапов.

А в целом по рекламной системе используются десятки нейросетей, которые:

• подбирают эффективный формат рекламы для каждого пользователя;

• прогнозируют, с какой вероятностью пользователь кликнет по объявлению;

• помогают распределять бюджет рекламодателя;

• и даже могут адаптировать ваше объявление под конкретный поисковый запрос в режиме реального времени.

Подробнее об этом говорили в прошлом материале:

От рутины до автостратегий: как нейросети изменили рекламу и чего ждать дальше

Разберем на примере. Представьте бизнес с юнит-экономикой, согласно которой он может отдать за привлечение каждого клиента X рублей, а в целом потратить на продвижение Y рублей. В этом случае нейротехнологиям нужно управлять рекламной кампанией так, чтобы решить задачи бизнеса с учетом этих ограничений. Иначе говоря, нужно:

• уложиться в эти KPI;

• достичь максимальной эффективности рекламы.

А значит, система должна найти именно тех пользователей, которым интересно предложение этого бизнеса. И она это делает — с помощью разных моделей машинного обучения: от линейных до сверхтяжелых. Разберем, как именно.

Как в рекламе работают рекомендательные системы на основе ИИ

Разберем, как система понимает, какое объявление показывать пользователю, на примере Рекламной сети Яндекса.

Разберем весь процесс поэтапно и на простых схемах. И еще раз напомним: занимает он доли секунды.

Первый этап: анализ пользователя, сайта и объявления

Итак, пользователь заходит на сайт или в приложение партнера Рекламной сети. В этот момент ресурс отправляет рекомендательной системе запрос: она должна быстро найти подходящее для этого пользователя объявление.

Чтобы выбрать наиболее подходящее для пользователя объявление, система должна сопоставить три типа данных, которые обрабатываются в захешированном виде:

• интересы пользователя;

• база рекламных объявлений;

• особенности сайта, на котором будет показываться реклама.

У каждого из них — у пользователя, рекламы и сайта — есть свои атрибуты и характеристики. Например:

• у пользователя: пол, возрастная группа, история поисковых запросов, посещенных сайтов и пр.;

• у рекламного объявления: дизайн, формат, текст объявления и пр.;

• у площадки: тематика, форматы рекламных блоков и пр.

Второй этап: отбор объявлений для пользователя

Теперь нейротехнологии отбирают все баннеры, которые могут быть интересны пользователю — а их могут быть десятки тысяч. При отборе нейросети ориентируются на факторы, которые касаются пользователя, например:

• поисковые запросы;

• хешированные данные о поведении в интернете.

Еще они могут учесть общие факторы, например, сезонные тренды.

Со временем благодаря развитию нейросетей рекламные системы научились определять неявные зависимости. Например, если пользователь купил товары из какой-то категории, то, наверное, скоро ему может понадобиться товар из смежной — сопутствующей категории. Также нейросети могут проанализировать рекламу, которая интересует одних пользователей, и предложить ее пользователям с похожим профилем.

Третий этап: ранжирование объявлений и выбор одного

Теперь из множества подходящих объявлений, которые отобрали нейротехнологии, нужно выбрать одно — то, которое в результате увидит пользователь. Для этого объявлениям предстоит пройти две стадии ранжирования.

Первая стадия: фильтрация. Сначала в соответствии с бизнес-логикой отфильтровываются объявления, которые попадают под разные ограничения:

• ограничения со стороны рекламодателя (настройки таргетинга, регионов показов, доменов, бюджетов и пр.);

• настройки площадки (допустимый вид рекламных объявлений, тематики и пр.);

• ограничения в системе (допустимая частота показов и пр.).

Таким образом часть объявлений, которые не подходят этому пользователю, отфильтровывается. Но на этом этапе все равно остается много релевантных объявлений, а системе нужно выбрать для показа одно.

Вторая стадия: аукцион. В рамках него отбирается объявление, которое решает потребности пользователя + учитывает KPI рекламодателя.

Ликбез: что такое аукцион в онлайн-рекламе. Разберем на примере РСЯ. Аукцион — это процесс, который проходит, пока пользователь загружает страницу сайта с блоками РСЯ. В рамках аукциона рекламодатели торгуются за показ своей рекламы этому пользователю.

Решающий фактор: полезность. Например, насколько предложение и посадочная страница соответствуют интересам пользователя и насколько вероятно, что пользователь совершит конверсию после просмотра рекламы. Победителем аукциона будет рекламодатель, сделавший самое полезное предложение этому пользователю в совокупности со ставкой. Но оценка полезности проходит в режиме реального времени. Для этого и нужны нейротехнологии.

А сколько в итоге победитель заплатит за показ объявления пользователю? Это уже другая история, подробно о которой рассказывает справка Директа.

В ранжировании применяются сверхтяжелые модели. Сегодня в продуктах Яндекс Рекламы используется новое поколение нейротехнологий — Yandex Neuro Ads 3.0. Эти нейросети обучены на десятках миллиардах реальных пользовательских действий, кликов, конверсий, покупок и используют новейшие архитектуры моделей. Они быстро адаптируются к изменениям в поведении пользователей и подстраиваются под их запросы.

Готово! Система подобрала лучшее объявление для пользователя.

Круто! Но как нейросети со всем этим справляются? Как обучают нейросети?

Благодаря суперкомпьютерам и людям. У Яндекса, например, есть три суперкомпьютера, которые создают нейросети для рекомендательных систем — они входят в список крупнейших в мире.

Другая важнейшая составляющая — люди. В Яндексе, например, это ведущие инженеры в областях инфраструктуры дата-центров, разметки данных и глубокого машинного обучения.

В результате сегодня Яндекс входит в топ-20 компаний в мире по вкладу в развитие ИИ.

Специалисты с помощью суперкомпьютеров обучают нейросети в два этапа: pre-train и fine-tuning.

Pre-train

Если упрощать, то первый этап похож на обучение человека в школе: нейросети нужно усвоить множество самых разных предметов. Чтобы обучить ее, специалисты:

1. Собирают огромные датасеты — информацию по «предметам», которую должна усвоить нейросеть.

2. Формулируют задачи, которые нейросеть должна решить в рамках этих «предметов». В случае с текстовыми задачами, например, специалисты могут давать такие задачи:

   1. предсказать следующее слово по началу текста (вроде «Сегодня в Москве ожидается...»);

   2. выдать релевантный ответ на инструкцию пользователя (вроде «Объясни простыми словами, как работают рекомендательные системы...»);

   3. отредактировать текст с ошибками или стилизовать его и пр.

3. Дают обратную связь и назначают штрафы нейросети за ошибки — в результате она перенастраивает свои параметры, чтобы меньше ошибаться.

Такое обучение создает у нейросети базовое знание — некоторую «образованность».

Этот этап обучения самый дорогой и требует огромных вычислительных мощностей. Он мог бы занимать годы, а возможно, и десятилетия, если бы не использование видеокарт — они ускоряют процесс на порядки и позволяют произвести процесс за месяцы.

Fine-tuning

Если упрощать, то на этом этапе нейросеть выпустилась из школы и поступила в университет — получать профильное образование. Для нейросети выбирается специализация, в случае с рекомендательными системами — маркетинг.

Этот этап менее затратен по ресурсам, но требует гораздо больше кропотливой работы огромной команды экспертов. Она создает материалы для обучения нейросети — учебники, если придерживаться нашей аналогии. На этом этапе специалисты собирают и размечают примеры лучших рекламных кампаний лучших маркетологов:

• креативы;

• тексты;

• изображения;

• таргетинги;

• цели оптимизации.

Все эти знания дообучают модель под задачи рекламы — так, чтобы она работала на уровне топовых специалистов.

На входе — все знания мира. На выходе — модель, которая умеет их обобщать и придумывать новое.

На этом всё! В следующем материале разберем, как нейротехнологии создают рекламные объявления и что от этого получают рекламодатели.