高效的优选策略，是创意素材能够发挥作用体现价值的关键。本文作者围绕怎么做创意高效的优选、深度优选模型如何提升泛化、计算规模能力等问题，对小红书的创意优选策略进行了分析，一起来看一下吧。

今天接着给大家讲解大厂案例下的策略产品能力——小红书创意优选策略，核心内容主要围绕怎么做创意高效的优选、深度优选模型如何提升泛化、计算规模能力等问题。

优选示意图说明

投放平台智能创意功能展示

上图1是小红书中博主上传多张图片素材之后，针对不同的笔记用户优选展示不同的素材主图的最优逻辑展示，图2则是小红书聚光平台投放设置创意信息的时候的投放样式展示。

我们可知，高效的优选策略，是这些创意素材集合能够发挥作用体现价值的关键。优选策略的好坏体现在两个方面：

选得好不好？能否选出来用户最喜欢的创意，是提升广告投放效率CTR的关键。

选得快不快？能否尽快把好的创意选出来，是客户及用户感知效果的关键。

前面在<阿里妈妈创意优选策略> 一文就给大家介绍到了，在没有先验知识的前提下，从一个广告笔记的多个创意id中选最最好的那个，其实是一个MAB（Multi-Armed Bandit，多臂赌博机）的问题。

“多臂赌博机问题 (MAB)：老虎机有一条摇杆（类似于一条手臂），摇动摇杆即会按照一定概率吐出一定量的钱，一个赌徒面对多台老虎机，在不知道老虎机吐钱概率分布的情况下，如何最大化收益？”

这类问题业界常用的算法策略其实在冷启动章节中给大家也有介绍过有epsilon 贪心 (ɛ-greedy)、汤普森采样 (Tompson sampling)、UCB (Upper confidence bound)等。通过综合分析各算法的收敛速度、对反馈数据的敏感程度等因素，小红书平台选择采用了 UCB 策略，这里我们详细展开讲解。

UCB 策略解决 MAB 问题的思路是使用置信区间：给每台老虎机一个置信区间，区间的中间值为该机器的平均收益（吐出钱的平均值），宽度与玩的总次数的对数值成正比，与在该机器上玩的次数成反比。面对多台老虎机，每次都选择有最大上界的那个机器。

在创意素材优选的场景中：对于每个素材，使用多次曝光该素材的收益 (Reward)+该素材置信区间宽度 (Bonus) 计算出区间上界 (Score)，每次曝光 Score 最高的那个素材。

其中，Reward 为某个素材累计曝光的综合收益（例如 ctr 的增幅、收入的涨幅，也可以联合起来），Bonus 的计算与该素材的曝光次数 (Imp) 及所有素材的曝光次数 (totalImp) 有关，公式如下：

最后的结果就是经过一定量的探索之后，置信区间的宽度会变得越来越小，Reward也会趋于稳定，将曝光和优选的结果倾向给到pCTR即收益更大的素材，如果素材曝光少，会伴随曝光次数的增加，素材Bonus变大，Socore变大，同样有一定的曝光概率进行探索。

我们都知道创意优选是为了提高单个笔记主体创意的的点击率，但是一旦对创意进行优化，小红书平台也担心影响到用户体验问题，所以需要追求商业化的同时兼顾点击率效果指标。

为此，小红书平台制定了用户停留时长 (avgViewTime) 作为衡量服务质量 (QoS，Quality of Service) 的一个综合指标，如何通过 QoS 来计算得出用户体验 (QoE，Quality of Experience）呢？

QoE 的相关研究指出：当 QoS 较低时，用户的 QoE 已经很低了，即使 QoS 继续恶化，QoE 也不会再降低很多了。同理，当 QoS 较高时，用户的 QoE 已经很高了，QoS 的进一步提升也不会再增加 QoE，如下图所示：

所以，我们得到的 QoE 的表达式为：

其中w3 为可以动态调整的加强系数。最终我们将 UCB 中的 Reward 设置为：

上一篇：消费者觉醒下所有中式餐饮运营者都应看到这三点变化！ 下一篇：基于7Ps营销管理理论中的促销与过程

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。