程序化內容創作計算廣告ProgrammaticContentCreation第七章目錄創意生成IDEAGENERATION創意管理CREATIVEMANAGEMENT個性化展示PERSONALIZEDDISPLAY時代價值CONTEMPORARYVALUE三大痛點標簽結構計算廣告程序化內容創作是指基于大數據和數據處理技術進行廣告內容的創意和制作，現階段表現為基于程序化創意生成商品動態廣告。01創意生成創意元素生成創意元素生成是從廣告主現有的廣告作品、商品信息、網站、應用頁面中通過創意降維、加注標簽和設置追蹤代碼三個步驟來提取廣告創意元素。創意元素生成創意降維加注標簽設置追蹤代碼主視覺元素、品牌標識元素、文案說明元素、行為召喚元素、背景圖元素創意模板開發一是調整模板中元素信息的相對位置，生產出差異化的創意；二是通過對原始模板中元素的不斷調整和替換，生成新的創意。創意元素組合上傳元素內容、制作模板、設置創意規則、自動生成創意創意內容實現創意內容組合程序化廣告創意內容組合指的是：基于消費者心理和廣告板式要求，提取不同類型的元素進行組合，從而實現廣告創意內容和目標用戶的適配。創意作品擴充程序化廣告創意作品擴充的具體流程是：原始創意（視頻／圖片）→創意降維（分鏡／元素）→分鏡／元素打標→智能重組（無規混組／無規混剪）→智能推薦→瀑布流布局。圖片上傳.psd文件→識別.psd文件分層→圖層元素分類提取→psd模板基礎的批量元素替換→智能重組（無規混組）→智能推薦→瀑布流上傳原視頻→AI拆分→分鏡打標和分類→智能重組（無規混剪）→微元素編輯→智能推薦→瀑布流布局視頻智能重組（無規混組）無規混組是指通過在程序中引入隨機元素，使得創意生成的過程不受限于固定的規則或預設的模式，產生更多獨特和創新的圖片創意。無規混組首先將一個.psd源文件上傳系統，識別出所有圖層，然后對每個圖層進行分類（文案類、產品類、背景類等）。在未設定有“必須”出現的圖層規則下，從每個分類隨機選一個圖層，進而將多分類下的單圖層一對一地組合在一起，即可生成多樣化的新整圖。智能重組（無規混剪）無規混剪是指利用計算機程序隨機組合和拼接各種媒體元素，例如音頻、視頻和圖像，以產生新的視頻創意作品。首先上傳一個長視頻，機器預先按“轉場鏡頭”，將視頻拆分為幾段分鏡頭；之后人工審閱鏡頭內容，進行調試或者分類（開場類、產品介紹類等）；最后在未設定有“必須”出現的分鏡鏡頭規則下，設定一個腳本（如：開場＋產品介紹＋促銷說明），系統會按腳本順序，隨機選擇指定分類下的一個鏡頭，進而將多分類下的單分鏡一對一地組合在一起，生成多樣化的新視頻瀑布流。巨量引擎程序化創意平臺創意拼裝大圖&小圖組圖視頻智能推薦圖片圖像特征提取特征表示與嵌入相似度計算推薦算法反饋和優化視頻視頻特征提取和分類相似度計算推薦算法反饋和優化瀑布流布局瀑布流式布局是一種在網頁或移動應用中常見的頁面布局形式。瀑布流將廣告內容以多列的方式呈現，每一列按照順序排列，形成一種瀑布流的效果。瀑布流布局無限滾動布局自適應廣告多樣性增加曝光和點擊率02個性化展示形成背景在信息過載背景下，必須對廣告潛在消費者進行廣告的個性化展示，即“千人千面”，才能達成傳播效果。基本邏輯個性化展示的基本邏輯，是通過用戶與場景的交互，通過推薦機制實現用戶與廣告內容的相關性連接。推薦系統根據特定的用戶和特定的場景，通過個性化算法或技術確定與之匹配的廣告，實現個性化創意的精準化投放。通過算法集合自動尋找廣告、情景與用戶三者之間的最佳匹配是個性化推薦系統的主要目的。個性化展示基本內涵數據提供了信息數據包括用戶與內容的屬性，用戶的行為偏好等。通過綜合用戶屬性和行為數據，系統可以建立用戶的偏好模型，進而提供更加精準的廣告推薦，提高廣告的點擊率和轉化率。算法提供了邏輯基于協同過濾的推薦算法、基于物品或內容的推薦算法、基于規則的推薦算法、隱語義模型、深度學習模型、強化學習模型架構保證了運行推薦系統的整體框架主要包括接入調度模塊、推薦算法模塊、消息隊列模塊和存儲單元模塊。這四個模塊的協同合作，保證了推薦系統自動化、實時性地運行。個性化廣告推薦系統的核心要素將用戶模型與廣告內容進行匹配和比較，計算廣告與用戶之間的相關性。相關性計算系統對廣告內容進行分析，提取關鍵信息、主題和特征，涉及廣告的文本、圖片、視頻、關鍵詞等。廣告內容分析系統通過收集和分析用戶的個人信息、歷史行為、興趣標簽等數據來建立用戶模型。用戶建模基于用戶模型和廣告相關性計算結果，采用上文所述的推薦算法來確定最佳的廣告推薦列表。算法推薦個性化廣告推薦系統通常會監控用戶的反饋和行為數據，并根據實時數據對推薦模型進行調整和優化，以推薦更準確和個性化的廣告。實時調整和優化個性化廣告推薦系統的運作環節基于人口統計學的推薦機制基于人口統計學的推薦機制把用戶按照位置（地理位置或IP地址）、性別或者婚姻狀況來分組，根據用戶的基本信息發現用戶的相關程度，然后將相似用戶喜愛的其他物品推薦給當前用戶。基于物品或內容的推薦機制基于物品或內容的推薦機制是根據推薦商品或內容的元數據，發現商品或者內容的相關性，然后以關聯規則為基礎，把已購商品作為規則頭，推薦對象作為規則體。包括物品表示、特征學習、生成推薦列表三步。基于用戶價值的推薦機制根據所有用戶對商品或內容的偏好，發現與當前用戶口味和偏好相似的“鄰居”用戶群。（KNN）基于用戶的協同過濾推薦機制和基于人口統計學的推薦機制都是計算用戶的相似度，并基于“鄰居”用戶進行推薦的。基于用戶的協同過濾推薦機制分析所有用戶對商品的偏好發現商品和商品之間的相似度，然后根據某個用戶的歷史偏好信息，將類似的物品推薦給用戶。基于商品的協同過濾推薦和基于商品的推薦都是基于商品相似度的預測推薦，前者是通過用戶歷史的偏好進行推斷的，而后者是通過商品本身的屬性特征信息進行推斷的。基于商品的協同過濾推薦機制基于樣本的用戶喜好信息，采用機器學習的方法訓練一個推薦模型，然后根據實時的用戶喜好信息進行預測，從而進行推薦。基于模型的協同過濾推薦機制基于協同過濾的推薦機制基于協同過濾的推薦機制原理就是根據用戶對物品或者信息的偏好，發現商品或者內容本身的相關性，然后再基于這些相關性進行推薦。基于混合機制的推薦現行的Web站點上的推薦往往不是只采用一種推薦機制和策略，而是將多個方法混合在一起，從而達到更好的推薦效果。以下是幾種比較流行的組合推薦機制：加權的混合推薦機制、切換的混合推薦機制、分區的混合推薦機制、分層的混合推薦機制。抖音短視頻內容分發的推薦流程推薦流程雙重審核冷啟動數據加權進入精品推薦池機器推薦（違規、消重）+人工審核信息流漏斗算法根據1000次曝光數據結合用戶賬號分值來分析是否加權倒三角流量池算法抖音短視頻內容分發的推薦流程抖音短視頻內容分發的推薦流程抖音短視頻內容分發的推薦流程03創意管理計算廣告程序化創意管理計算廣告程序化創意管理利用計算機技術和算法，通過自動化和數據驅動的方式，提高廣告創意管理的效率和精確性，為廣告主和受眾帶來更好的廣告體驗。現階段計算廣告程序化創意管理的核心是動態創意優化，包括目標受眾分析、實時反饋收集、反饋數據分析和模型建立、創意優化、實時投放和監測五個方面。完整流程程序化創意工具巨量引擎程序化創意平臺創意優化落地頁創意方向創意圖片巨量引擎程序化創意平臺創意優化創意文案創意管理動態內容、動態落地頁、動態用戶動態特性商品庫、用戶行為數據、用戶流量投放條件建立商品庫、行為數據同步、廣告投放、廣告下發展示投放流程動態商品廣告動態商品廣告是一種利用實時數據和個性化算法來實現廣告內容實時更新和個性化展示的廣告形式，通過分析用戶行為和商品信息，為用戶推薦最相關的商品，提升廣告效果和用戶體驗。實時監測廣告動態、收集消費者數據，根據不同創意畫面在特定人群或特定環境下的投放效果，實時調整素材組合，自動優化創意畫面投放配比，提升曝光和互動效果，確保廣告內容符合消費者的偏好。動態滿足消費者需求DCO可以根據初始的創意素材自動組合出不同版本和尺寸的效果圖；程序化創意工具、程序化購買和動態創意優化的結合生成的動態商品廣告，可以實現動態呈現個性化商品。動態呈現個性化商品DCO技術會針對用戶個體的差異化特征、喜好等推送不同的創意組合。動態提升消費者體驗動態創意優化的本質特點動態商品廣告是一種利用實時數據和個性化算法來實現廣告內容實時更新和個性化展示的廣告形式，通過分析用戶行為和商品信息，為用戶推薦最相關的商品，提升廣告效