定向系统 (Targeting)¶

一句话概述¶

定向系统决定"广告展示给谁"，通过多维度的人群筛选和匹配，让广告触达最可能产生转化的目标用户。

定向体系全景¶

基础定向	兴趣行为定向	上下文定向	重定向	智能定向
地域	兴趣标签	关键词	Retarget	Lookalike
年龄	行为标签	内容分类	DMP人群	自动扩量
性别	消费能力	语义定向	排除人群	智能放量
设备	人生阶段	场景定向
网络	职业
时段	APP行为

基础定向¶

地域定向¶

粒度	示例	实现方式
国家	中国、美国	IP 库
省份	广东省、浙江省	IP 库
城市	上海、深圳	IP 库 + GPS
区县	浦东新区	GPS
商圈	陆家嘴3公里内	GPS + POI
自定义区域	地图画圈	GPS + 地理围栏

技术实现: - IP → 地域: MaxMind GeoIP / 纯真IP库 - GPS 定位: 客户端 SDK 获取经纬度 - WiFi 定位: WiFi 热点 → 位置映射 - 基站定位: 运营商基站 → 粗略位置

人口属性定向¶

属性	来源	准确度
年龄	注册信息 / 模型预测	注册信息高，预测中等
性别	注册信息 / 模型预测	注册信息高，预测较高
学历	注册信息 / 行为推断	低
婚姻状态	行为推断	低
消费能力	消费行为分析	中等

设备定向¶

维度	选项
操作系统	iOS / Android
设备品牌	Apple / 华为 / 小米 / OPPO / vivo
设备价格	高端 (>¥5000) / 中端 / 低端
网络类型	WiFi / 4G / 5G
运营商	移动 / 联通 / 电信

时段定向¶

投放时段设置示例：7:00 - 22:00 投放

0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23
							✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅

兴趣行为定向¶

兴趣标签体系¶

一级分类 (20+)
├── 美妆护肤
│   ├── 护肤品 (二级)
│   │   ├── 面膜 (三级)
│   │   ├── 精华
│   │   └── 防晒
│   ├── 彩妆
│   └── 美容仪器
├── 汽车
│   ├── 新能源汽车
│   ├── 豪华车
│   └── SUV
├── 游戏
│   ├── 手游
│   ├── 端游
│   └── 主机游戏
└── ... (教育/金融/旅游/母婴/体育/...)

兴趣标签来源¶

来源	说明	时效性
浏览行为	用户浏览的内容类别	实时/近期
搜索行为	用户搜索的关键词	实时/近期
互动行为	点赞、评论、收藏、分享	近期
消费行为	购买记录、支付行为	中长期
App 使用	安装和使用的 App	中长期
注册信息	用户主动填写	长期

行为定向¶

行为类型	示例	应用场景
电商行为	浏览商品、加购、下单	电商广告定向
App 行为	安装、激活、使用时长	App 推广定向
内容消费	阅读、观看、搜索	兴趣定向
线下行为	到店、出行轨迹	LBS 广告
转化行为	注册、付费、复购	排除已转化用户

上下文定向¶

关键词定向¶

搜索广告:
  用户搜索 "北京二手房" → 匹配关键词 → 展示房产广告

信息流广告:
  用户正在阅读"装修攻略"文章 → 提取关键词 → 展示家装广告

匹配类型 (搜索广告):

类型	示例	触发查询
精确匹配	[红色跑鞋]	红色跑鞋
短语匹配	"红色跑鞋"	红色跑鞋推荐、买红色跑鞋
广泛匹配	红色跑鞋	运动鞋、跑步装备

内容分类定向¶

页面/视频内容 → NLP/CV 分类 → 内容标签
  "iPhone 16 评测视频" → [科技, 手机, Apple]
  → 匹配定向到"科技"类别的广告

语义定向¶

基于 NLP 理解页面语义，而非简单关键词匹配
大模型时代: 使用 LLM 理解内容深层语义
优势: 更精准，避免关键词歧义

重定向 (Retargeting)¶

定义¶

对已经与品牌/产品有过交互的用户再次展示广告，提升转化率。

重定向类型¶

类型	说明	示例
网站重定向	访问过网站的用户	浏览过商品但未购买
搜索重定向	搜索过相关关键词	搜索过"保险"的用户
App 重定向	App 内行为用户	加购未支付的用户
CRM 重定向	广告主自有客户数据	老客户召回
动态重定向	展示用户浏览过的具体商品	电商个性化推荐广告

动态重定向 (Dynamic Retargeting)¶

用户行为: 1. 浏览了 Nike Air Max (红色, 42码) 2. 浏览了 Adidas Ultraboost 3. 加购了 Nike Air Max，未支付

重定向广告示例:

您浏览过的商品

Nike Air Max Adidas Ultraboost

¥899 ¥999

[立即购买]

智能定向¶

Lookalike (相似人群扩展)¶

输入: 种子人群 (如: 已付费用户 10,000 人)
输出: 相似人群 (扩展到 1,000,000 人)

流程:
1. 分析种子人群的特征分布
2. 在全量用户中找到特征相似的用户
3. 按相似度排序，取 Top-N

算法:
  - 特征相似度 (Cosine Similarity)
  - 分类模型 (LR/XGBoost)
  - Embedding 相似度 (Deep Learning)

扩展比例:
  1:10  → 精准但量小
  1:50  → 平衡
  1:100 → 量大但精准度下降

自动扩量 / 智能放量¶

广告主设定基础定向 → 平台自动扩展到更大人群

原理:
  基础定向: 25-35岁女性，美妆兴趣 (100万人)
  智能放量: 算法发现 36-40岁女性也有高转化率
           → 自动扩展到该人群 (300万人)

控制:
  - 广告主可设定扩展范围
  - 平台保证扩展后的 CPA 不高于目标

系统推荐定向¶

平台基于广告主的行业、产品、历史数据，自动推荐定向组合
趋势: 定向越来越自动化，广告主只需设定目标

定向的技术实现¶

倒排索引¶

正排: 广告 → 定向条件
  广告A: {地域: 上海, 年龄: 25-35, 性别: 女}
  广告B: {地域: 北京, 年龄: 18-24, 兴趣: 游戏}

倒排: 定向条件 → 广告列表
  地域=上海:  [广告A, 广告C, 广告E, ...]
  年龄=25-35: [广告A, 广告D, 广告F, ...]
  性别=女:    [广告A, 广告G, 广告H, ...]

查询: 用户(上海, 28岁, 女)
  → 取交集: {广告A} ∩ {广告A, 广告D} ∩ {广告A, 广告G}
  → 结果: {广告A}

布尔表达式引擎¶

定向条件表达为布尔表达式:
  (地域 IN [上海, 北京]) AND (年龄 BETWEEN 25 AND 35) AND (性别 = 女)

优化:
  - 短路求值: 先评估过滤性强的条件
  - 位图索引: 用 Bitmap 加速集合运算
  - 预编译: 将表达式编译为高效的执行计划

人群包 (Audience Package)¶

DMP 人群包:
  1. 广告主上传用户ID列表 (手机号/DeviceID)
  2. 平台匹配到内部用户ID
  3. 投放时检查用户是否在人群包中

技术:
  - 小人群包: HashSet 内存存储
  - 大人群包: Bloom Filter 近似匹配
  - 超大人群包: 分布式 Bitmap

定向策略最佳实践¶

定向宽窄的权衡¶

定向太窄:
  ✓ 精准度高
  ✗ 覆盖人群少，量级不足
  ✗ eCPM 竞争激烈，成本高

定向太宽:
  ✓ 覆盖人群大，量级充足
  ✗ 精准度低，转化率差
  ✗ 预算浪费

最佳实践:
  1. 先宽后窄: 初期宽定向积累数据，再逐步收窄
  2. 分层测试: 核心人群 + 扩展人群分计划测试
  3. 信任算法: 使用智能放量，让平台算法优化

排除定向¶

常见排除策略:
  - 排除已转化用户 (避免重复获客)
  - 排除已安装用户 (App 推广)
  - 排除竞品用户 (品牌保护)
  - 排除低质量用户 (薅羊毛用户)

与大数据开发的关联¶

标签计算: 用户兴趣/行为标签的离线和实时计算
人群包管理: 人群包的上传、匹配、存储、更新
Lookalike 数据: 种子人群特征提取和相似度计算
定向索引构建: 倒排索引的离线构建和在线更新
IP 库维护: IP 地域映射库的更新和维护
定向效果分析: 不同定向组合的效果分析报表

面试高频问题¶

广告定向有哪些维度？各自的实现原理？
Lookalike 扩量的原理是什么？
重定向 (Retargeting) 是如何实现的？
定向系统的技术实现方案？(倒排索引、布尔表达式)
定向太窄和太宽分别有什么问题？如何平衡？