你一定有在使用Facebook吧！那麼你是否留意過那些穿插在資訊間的廣告呢？出現在頁面的不同位置，或不同時段，有些是播放時間較長的影片，有些則只是幾張照片。
你是否思考過Facebook是依據什麼條件來篩選和擺放這些廣告的呢？畢竟幾乎所有的商家都希望能在Facebook這個巨大的社交平台上投放自己的廣告，那麼，Facebook要如何做到既滿足客戶的需求、又讓自己賺到最多的錢？
Facebook是依據什麼條件來篩選和擺放廣告？要如何既滿足廣告主的需求、又讓自己賺到最多錢？（圖／Pixabay）
或許你會說，這還不簡單嘛，誰給的錢最多，就讓他的廣告放在最明顯的位置，或是出現的時間最久唄。
這樣的做法看起來最為直接，但可能不是最好的做法，因為不同的廣告所針對的消費群體也不同，例如若Facebook24小時向健身愛好者推薦垃圾食品，其效果可能不如5分鐘蛋白粉的廣告，或是像瑜珈墊等運動設備的廣告；並且各個消費群體上網的時段也不相同，若以學生為主要市場的廣告，那麼放送的時間便不應該安排在上課期間。
影響廣告最終效果的因素有很多，為了避免無效的宣傳，Facebook在安排不同的廣告內容時，應該使用什麼方法呢？
利益最大化的「即時競價」
當廣告主買廣告時，因為同一個時段會有其他的廣告主，所以必須爭奪曝光度，這時廣告平台就必須思考怎麼去分配各個廣告撥放的時間、時段還有成效，才能平衡每個廣告主與廣告平台之間的利益。這個計算出平衡做法的技術，稱為「即時競價」（Real-Time Bidding, RTB）。
會影響到廣告最終效果的因素有很多，比如廣告的時間、曝光度、出現的位置、版面的面積、長度、寬度等。有這麼多因素要考量，即時競價技術該用什麼方法來進行計算呢？答案就是「深度學習」（Deep learning）。
深度學習由三個階段組成，分別是輸入層、隱藏層和輸出層，其中輸入層便是我們將資料匯入的位置，輸出層便是我們得到結果的地方，而夾在中間的隱藏層便是電腦處理數據的地方。隱藏層可以包含很多層級，裡面的每一個三角形都代表著是一個運算方式，不同的運算方式便會得出不同的結果，通過不斷的計算和調整，最後得出誤差值最小的結果。（圖／連俊翔提供）
深度學習的結構與應用
深度學習是懶人最愛的方法，因為它完全不需要我們告訴電腦要學習分辨的「特徵」是什麼，我們只需要將資料丟進模型，電腦便會自己學習將特徵挑選出來。
深度學習由三個階段組成，分別是輸入層、隱藏層和輸出層。我們將資料匯入輸入層後，隱藏層會自動處理數據、計算，並將結果從輸出層輸出。而且，當電腦在隱藏層處理數據時，會自動將自己計算出的結果和實際的結果相對比，通過誤差來調整計算模型，如果誤差過大，也就是實際的結果與預測的結果相差過大，便代表剛剛自己設定的計算過程不適用，需要修改或替換。
這是一個反覆的過程，電腦不斷修改模型的參數，以減小誤差，最後輸出誤差最小的結果，那麼計算得出這個結果的模型，便是之後在預測新的數據時會使用的。
深度學習的結構與我們的神經系統相似，每一個單位是一個神經元，訊息則在一個個神經網路中傳輸著。輸入層是接受刺激的神經元，隱藏層是大腦的中樞神經，負責處理接收到的訊息，而輸出層則是在接收到隱藏層所傳訊的訊息後，做出相對應的反應。（圖／連俊翔提供）
將深度學習的結構，套用到Facebook的即時競價技術上，也就是在輸入層中為電腦提供例如廣告出現的時間、曝光度、廣告的長度等資料，在隱藏層中電腦會使用不同的模型對數據進行處理和計算，經過一系列的處理後，便會將結果：預測的廣告價格輸送到輸出層。
一旦這個計算過程得出的廣告價格與實際價格相符，接下來，我們就能利用它來針對新的廣告業主的曝光需求估價。全程不需要人為的控制，是不是很簡單！
廣告面積、長度、寬度、時間，這些都是Facebook在做即時競價時會考慮到的因素，將這些數據扔進深度學習的模型中，通過不同的運算方式，不斷地計算，將得出的預測數值與實際數值進行對比，就能逐漸減少誤差。（圖／東吳大學巨量資料管理學院黃福銘教授改寫團隊提供）
這便是深度學習在即時競價中的應用，你學會了嗎？
參考資料
1. Chi-Chun Lin, Kun-Ta Chuang, Wush Chi-Hsuan Wu, and Ming-Syan Chen. 2016. Combining Powers of Two Predictors in Optimizing Real-Time Bidding Strategy under Constrained Budget
2. Ruoxi Wang, Bin Fu, Gang Fu, and Mingliang Wang. 2017.Deep & Cross Network for Ad Click Predictions
3. Wu, W., Yeh, M. Y., & Chen, M. S. (2018, July). Deep censored learning of the winning price in the real time bidding. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2526-2535). ACM.
4. Zhang, W., Yuan, S., & Wang, J. (2014, August). Optimal real-time bidding for display advertising. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1077-1086). ACM.
5. Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., ... & Anil, R. (2016, September). Wide & deep learning for recommender systems. In Proceedings of the 1st workshop on deep learning for recommender systems (pp. 7-10). ACM.
姓名標示─非商業性─禁止改作