搜广推校招面经四十一

vivo广告策略

一、ecpm怎么理解，不同广告类型的ecpm怎么计算

eCPM，全称为“Effective Cost Per Mille”或“Effective Cost Per Thousand Impressions”，即每千次展示的有效成本。它是衡量广告收益的一个重要指标，尤其在网络广告领域中被广泛使用。简单来说，eCPM表示的是广告主为每一千次广告展示所愿意支付的平均费用。

1.1. eCPM的理解

• 对于发布商（Publishers）：eCPM是他们通过展示广告获得收入的一个关键度量。较高的eCPM意味着更高的广告收入。
• 对于广告主（Advertisers）：虽然他们更关注CPC（Cost Per Click，按点击计费）、CPA（Cost Per Action，按行动计费）等直接与用户行为挂钩的成本，但理解eCPM有助于评估广告投放的效果和效率。

1.2. eCPM的计算方法

eCPM可以通过以下公式计算得出：
$$\text{eCPM}=\left(\frac{\text{总收入}}{\text{总展示次数}}\right)\times 1000$$
这意味着如果你知道了一定时期内的总收入以及相应的广告展示次数，就可以计算出该期间内的平均eCPM。

1.3. 不同广告类型的eCPM计算

尽管基本的eCPM计算方式适用于所有类型的在线广告，但由于不同类型广告的计费模式不同，其具体应用也会有所区别：

1. CPM广告：这种类型的广告直接按照每千次展示收费，因此其eCPM等于广告主设定的价格。

2. CPC广告（Cost Per Click）：对于按点击付费的广告，eCPM可以通过下面的方式估算：
   $\text{eCPM}=\left(\frac{\text{点击次数}\times \text{每次点击费用(CPC)}}{\text{展示次数}}\right)\times 1000$

3. CPA广告（Cost Per Action/Acquisition）：这类广告根据用户完成特定动作（如注册、购买等）来计费。eCPM计算较为复杂，因为它涉及到转化率等因素：
   $$\text{eCPM}=\left(\frac{\text{转化次数}\times \text{每次转化费用(CPA)}}{\text{展示次数}}\right)\times 1000$$

二、广告与推荐的区别

2.1. 工作原理

广告

• 广泛覆盖：广告往往试图接触尽可能广泛的受众群体，不特别针对个体用户的具体兴趣。
• 付费展示：广告通常是通过支付费用获得展示机会，例如按点击付费（CPC）、按千次展示付费（CPM）等模式。

推荐

• 个性化：基于算法分析用户数据，提供高度个性化的推荐结果。
• 无直接成本：对于平台来说，推荐系统的运行并不涉及直接的费用支出给第三方；其成本主要在于开发维护推荐算法和技术架构上。依赖于大量的用户行为数据来进行精准匹配。

2.2. 应用场景

广告

• 品牌推广：适合用于提升品牌知名度，尤其是在新产品推出时。
• 促销活动：可用于宣传限时折扣或其他特殊优惠活动。
• 跨平台传播：可以在多种媒体渠道上发布，包括社交媒体、搜索引擎、视频网站等。

推荐

• 电商购物：帮助用户发现可能感兴趣的商品，如亚马逊的商品推荐。
• 内容消费：为用户提供个性化的文章、音乐、电影等内容推荐，如Netflix的电影推荐。
• 社交网络：推荐可能认识的人或者感兴趣的群组，增强社区互动性。

2.3. 对用户体验的影响

广告

• 干扰性：如果广告过于频繁或者不够相关，可能会打扰用户体验，导致负面情绪。
• 透明度：用户清楚知道这是广告，有时甚至会跳过或忽略这些信息。

推荐

• 无缝集成：好的推荐系统能够自然地融入用户的浏览体验，让用户感觉像是得到了贴心的服务。
• 满意度：当推荐准确时，能极大提升用户的满意度和忠诚度。

2.4. 目标与衡量标准

广告

• 目标：扩大市场覆盖面，增加品牌曝光率。
• 衡量标准：点击率（CTR）、转化率、投资回报率（ROI）等。

推荐

• 目标：提升用户体验，延长停留时间，促进更多交互。
• 衡量标准：点击率、转化率、平均订单价值、用户留存率等。

三、多任务学习的跷跷板现象是什么？如何解决

见【搜广推校招面经二、八】

3.1. 跷跷板现象的定义

跷跷板现象（Seesaw Phenomenon）是多任务学习（Multi-Task Learning, MTL）中的一种常见问题，表现为：

• 当优化一个任务时，另一个任务的性能下降。
• 任务之间的损失函数相互竞争，导致模型难以同时优化所有任务。

3.2. 跷跷板现象的原因

• 任务冲突：不同任务的目标函数可能存在冲突，导致优化一个任务时会损害另一个任务。
• 共享参数：多任务学习通常共享部分模型参数，不同任务对共享参数的梯度方向可能相反。
• 损失权重不平衡：如果任务的损失权重设置不合理，可能导致某些任务主导优化过程。

3.3. 解决方法

（1）动态权重调整

通过动态调整任务的损失权重，平衡不同任务的优化过程。

• GradNorm：根据任务梯度的范数动态调整损失权重。
• Uncertainty Weighting：根据任务的不确定性自动调整损失权重。
• 动态加权策略（DWA）

（2）任务分层学习

将任务分为不同的层次，分别优化共享参数和任务特定参数。

• Hard Parameter Sharing：共享底层参数，顶层参数独立。
• Soft Parameter Sharing：允许任务之间部分共享参数。

（3）梯度优化方法

通过改进梯度优化方法，减少任务之间的冲突。

• PCGrad：在梯度更新时，对冲突的梯度进行投影，使其方向一致。
• Gradient Surgery：在梯度更新时，对冲突的梯度进行裁剪或调整。

（4）多目标优化

将多任务学习视为多目标优化问题，使用 Pareto 最优解来平衡任务性能。

• MOO-MTL：基于多目标优化的多任务学习方法。
• Pareto MTL：寻找 Pareto 最优解，避免任务之间的跷跷板现象。

（5）任务解耦

通过解耦任务之间的依赖关系，减少任务冲突。

• Task-specific Adapters：为每个任务添加特定的适配器，减少共享参数的影响。
• Task-specific Heads：为每个任务设计独立的输出头。