微详情广告页)和商品详情页。在增广广告中，淘宝主页信息流展示的广告被称为“引导广告”。当用户点击主页面上的“引导广告”时，用户将被显示一个“二跳广告”页。出于用户体验的考虑(i.e.,

，在价值相同的结果中，更偏好价格较低的结果。直观地说，UM遵循在线广告中经典的广告主模型，而VM则认为他所获得的分配价值优先于他的扣费，为了简化表达，我们也用“效用”一词表达VM的分配价值

导读：今天以ChatGPT为代表的生成式大模型让科技行业重新兴奋起来，也为广告营销注入了新的想象力。生成式大模型几乎一定会带来用户与互联网产品交互模式的改变，进而颠覆广告营销模式。广告技术人，你们准备好了吗？阿里妈妈技术已提前在该方向布局，并推出了新的广告营销智能技术体系，今天将揭露出其神秘面纱的一角，窥探背后的思考和实践。▐

Setting。以前者为例，假设多轮竞价交互之后广告主的估值成为公有信息，GSP机制达到的一种均衡结果是广告主会认为保留当前位置是最优策略，不愿意与比他顺位高的人换位置，不然利润受损，这种均衡叫

competition_times�)>802）code模式对于具有复杂数据结构的运算，需要使用code模式，编写代码片段，使用QLExpress语法格式。for

技术小哥友情分享阿里集团大淘宝春招线上宣讲会中，阿里妈妈的技术小哥哥

一、背景大规模信息检索一直是搜推广领域的核心问题之一，而基于任意复杂模型的检索方案无疑是业界重要的迭代方向之一。近年来，阿里妈妈展示广告Match团队与预测引擎团队专注于从算法与工程角度推动工业级大规模检索技术的研发，我们在基于任意复杂模型的检索方向上积累了一定经验并取得了不错的业务效果，现整理发布NANN（Neural

Model，https://en.wikipedia.org/wiki/Mixed_model），如下：不同领域对层次模型的称呼习惯不同，比如社会学通常叫分层线性模型（multilevel

Parser：使用性能更高的fastsql，将SQL解析为AST树。翻译处理框架：负责对AST数进行分析，包括检查元数据、绑定物理信息、基于规则+CBO的执行计划优化，生成physical

本文整理至Flink+Hologres实时数仓Workshop北京站，已发表在「阿里灵杰」微信公众号，点击文末“阅读原文”查看视频回放。阿里妈妈数据引擎团队负责广告营销计算引擎Dophin的开发，目前支撑百万级广告主的营销产品，支持万亿级数据毫秒级交互式人群圈选、洞察分析及百亿级数据秒级广告效果分析，同时支持OLAP、实时、离线及AI超融合计算能力，为商家端产品万相台、直通车、超级推荐和达摩盘等营销产品提供极速的数据探索能力。1►

总结在大规模实时场景，数据开发需要专业的工程技术同学支持，优势是可以达到极致性能；但在大多数普通规模实时场景中，如何简单高效的开发、迭代、测试和上线是业务方更关注的因素。通过Dolphin

Normalization，简称DSBN）[5]。如图3-2所示，通过计算不同场景batch内的参数统计值，DSBN实现了对场景相关信息的捕捉：图3-2

Models论文下载：https://arxiv.org/abs/2209.06053代码链接：https://github.com/Z-Y-Zhang/one_epoch_phenomenon2.

Retrieval下载：https://www2022.thewebconf.org/PaperFiles/19.pdf参考文献[1]

[1]。比如学生党可能对价格差更加敏感，白领人群对商品质量的差距较敏感。因此，这里我们进一步提出个性化的外部性建模：是用户的编码表示，是点乘算子。综上所述，heterogeneous

network，GAN）框架设计了对于节点中心网络的生成模型。生成器负责生成仿真的随机游走序列，使得其分布和图上的真实游走序列尽可能接近。为了使生成器可以捕获游走序列中节点之间的依赖关系，我们利用

基于因果推断的无偏广告多触点归因技术丨基于对抗梯度的探索模型及其在点击预估中的应用丨基于多智能体协同竞价博弈的电商搜索广告多目标竞价优化喜欢要“分享”，好看要“点赞”哦ღ~↓欢迎留言参与讨论↓

节点通过请求该服务即可实现向量召回。这样，内存中仅需缓存一份索引数据，也无需针对新会话重新加载数据，从而可以提供更加稳定、高效的向量召回计算服务。为进一步提升计算性能并扩大使用场景，未来我们将继续对

Unit）两部分组成，其整体结构如图二所示。图二：AGE结构图其中部分的详细介绍详见3.1节，部分的详见3.3节。3.1

Prediction为消除动态用户偏好导致的偏差，本文采用反事实循环网络以引入梯度反转层的形式学习一个平衡的表征。已有的研究CRN[3]可以应用在即时反馈数据的纠偏工作，Causal

本文作者：亮博、星泽等近几年，图深度模型在工业界和学术界都备受关注，产生了大量的研究工作和工业应用。本文分别介绍了图深度学习的产生、发展和在工业界中的应用，同时，以阿里的Euler图深度模型框架和在搜索场景中的应用为例，介绍了这类方法在互联网场景中的应用，期望能给正在探索图深度模型应用的同行带来一些启发。01从深度学习到图深度学习我们已经进入到数据时代，数据时代的重要特点之一是各种数据资源和互联网创新技术成为了推动人类社会经济发展的重要力量。一方面，随着互联网应用的推广，越来越多的生活、生产数据以数据化的形式被表达和记录；另一方面，深度学习方法借助复杂的模型结构，能够将大规模数据所蕴含的知识表达在模型中，在大数据场景下，产生了远优于传统的LR（logistic

一个与之对应的驱动图像的关键点、前面一对关键点临域的对应关系（用仿射变换近似）。利用这三组值，以关键点为中心，根据局部线性展开的思路，可以得到一张完整的光流图，且该光流图在关键点临域最准确。

Network，简称GNN）来对图进行编码。与其他异质图神经网络不同，我们使用了两种不同的视图来表达MM搜索会话。第一种视图是基于注意力机制的全局视图（Attention

：校准模块通常处在精排模型之后，基于后验信息将精排模型给出的预估值进行一次映射，使其更加逼近后验概率，预估值经过这样的后处理之后再去参与排序、出价等。预估模型通常是基于大规模离散特征的

Calibration[12]等。这类方法通常对数据量需求较少，但是却缺乏理论保证[2,3]。非参数化方法通常应用于数据充足的校准场景，典型的代表是分桶（Binning）校准。以Histogram

Bi-DEFUSE在线效果考虑到直通车目前使用的归因周期，我们选用Bi-DEFUSE方案作为上线版本，于2021双11前上线，取得了cvr+2%、roi+0.8%、rpm微正的显著效果。5

中定义的粗选问题计算复杂性分析。接着，为了让减小实际场景中粗选的求解复杂性，我们针对粗选提出一个广告粒度的评估指标，使其能够大规模应用于粗选阶段的子集选择，称为粗选打分（pre-auction

在营销行业中，数据是指引经营的关键力量，数据科学也在不断改变着营销人的思考和决策过程。作为阿里妈妈人，我们更是时时刻刻都在见证着数据与营销碰撞出的激动人心的灵感诞生。过去十余年，伴随着阿里妈妈的业务成长，我们致力于为客户和合作伙伴提供数据驱动的解决方案，参与了种种营销创新，对营销领域的经典理论模型不断运用和反思、对营销分析技术反复探索和改进。《阿里妈妈营销科学系列》便由此而来，这本100页的电子书结构紧凑，开篇对营销分析核心逻辑进行了言简意赅的描述，随后介绍了典型业务场景的解决方案及原理，并对敏捷的营销分析流程和要素进行了高度的抽象和提炼。希望这个系列可以作为营销分析人员的一本工具手册，同时能为同行实践者们提供一些借鉴和启发，让营销更酷、更高效！我们也将持续迭代更新，如果大家对这个系列有想要探讨的问题，或有更好的建议，欢迎通过「阿里妈妈技术」微信公众号与我们联系；如果你觉得还不错，也欢迎分享给你的伙伴们~

为少行为的冷启动用户进行内容推荐对推荐系统是一个非常巨大的挑战。目前深度推荐系统大多进行个性化的推荐建模，而推荐系统对冷启动客户集的推荐效果会有所下降，导致效果下降原因主要是模型遇到的挑战：(1)

开源项目经历（3）简历不该写什么？罗列名词：有一类简历写法不太合适，就是把各种技术名词罗列出来写成一长列，全是熟悉/精通xxxx

GSP是基于广告粒度建模，通过信用分配解决强化学习优化方向。但是存在两个问题，第一，信用分配难，Reward设计非常依赖业务经验；第二，搜索空间大，如果探索不充分，很难找到最优解。为突破Deep

实验与效果层次竞买图与全库暴力打分相比，离线recall与类目符合率均有一定提升。2021年双12全量上线，为大盘营收效率带来较为显著的提升；面向用户体验的Gob相关性指标上也有较好表现。5

Contraints）：所有广告主（竞价者）在当前机制下能够达到博弈均衡状态，在当前状态下广告主对分配结果感到满意（即分配结果的改变不能使广告主的收益变多）。在算法博弈论（Algorithmic

85.0)。在这两个极端之间，MAAB采用了TRCA并以混合合作竞争的方式建立智能体之间的关系，从而实现了社会福利与收入之间更好的均衡。如表所示，MAAB的社会福利优于CM-IL(在Setting

FiBiNET文章指出当前的许多通过特征组合进行CTR预估的工作主要使用特征向量的内积或哈达玛积来计算交叉特征，这种方法忽略了特征本身的重要程度。提出通过使用Squeeze-Excitation

模型框架图模型整体的框架图如图三所示，主要包含两个网络：第一部分是主干网络，用来得到特征和任务的嵌入式表征；第二部分是元学习网络，主要包含三种结构：1）元学习单元：显式建模场景信息

,,，则构造的组合为：，从而挖掘维度组合的波动路径，可以解决下层波动上层平稳的业务场景。2.

，气泡拆分=产品类型，x轴=市场份额，Y轴=市场增长率，气泡大小（可选）=利润，颜色（可选)=利润增长率。右侧可过滤气泡大小，以及颜色深浅过滤气泡，通过框选设定xy轴展示范围。▐

算法开发了支持10亿supply节点的超大规模的分布式训练平台。同时，在SHALE的优化目标上，加入投放效果收益，以达到保量提效的分配结果（感兴趣的同学可以了解我们之前的工作

(PAS)，提出了一种可扩展的近似解决方案。在公共和工业数据集上的实验结果表明，与直观的两阶段拍卖和其他基线相比，本文提出的两阶段广告拍卖机制在社会福利和收入等指标上有显著提升。论文下载：

Embedding等，根据特征值的频次预先设计几个不同维度的可选项，基本原则就是高频高维度、低频低维度，这类方法过于依赖人工经验和粗暴的选择方式不容易获得最优解；基于NAS的方法，Automated

通过和直通车客户增长算法同学紧密合作，我们利用云原生FAAS+基于MPP统一SQL引擎(下称为Dolphin)打造了一套面向广告主工具侧算法解决方案，成功将算法服务整体升级到新的AI

Model，简称MMM)是一种统计建模技术（如回归技术），通过该技术可以衡量和预测不同营销投入对销售的影响，从而了解宏观整体的marketing

的特征映射。图二：HetMatch模型结构节点级别的特征融合首先我们将每个节点的特征编码成一个固定维数的向量。这些特征包括离散型特征和连续型特征。对于连续性特征，我们取其特征分布的

GPU的SRAM空间和DRAM带宽相对较小，数据访问瓶颈较大。除内存数据访问外，对于协处理器，跨设备的输入输出和计算指令等数据传输也影响计算性能发挥，例如GPU计算中CPU-GPU数据传输、GPU

，它描绘了消费者接触渠道触点的种类、顺序、频次。触点路径模型的核心算法在于路径的定义与划分，分析不同人群在不同触点路径下的转化效率差异性。根据上述的定义，用户的路径格式为{

前不久，阿里妈妈技术校招新人培养项目——启明星迎来了“毕业典礼”。在这期毕业典礼上，我们请来了阿里妈妈CTO郑波老师和大神师兄师姐们与校招萌新面对面谈谈心，希望能够帮助新同学们在接下来的旅途中越走越远，越走越好~🔍

0导读过去7年，以深度学习为代表AI技术浪潮席卷了整个互联网，算法和工程的持续合作创新将深度学习、图学习、强化学习等多项AI技术大规模应用到互联网各个业务场景，带来了巨大的业务红利，并推动分布式训练引擎、AI

节点，百亿级别的用户行为边和文本相似度边。为了减少训练过程中的通讯开销，我们将这张大图基于类目分解成不同的子图，从而实现模型的并行化训练。子图的分解极大的优化了模型训练的计算和通讯开销。下表展示了