Facebook机器学习的三种运作模式

Facebook当广告系统在第一次或重大编辑后重新发布时，系统将继续探索发布广告组的最佳方式。在此期间，投放系统将探索更有效的广告解决方案，包括广告的时间、位置和方式。机器学习阶段的广告组效率不高，称为机器学习阶段。

当广告组稳定（通常在7天内完成50个优化事件，SKAN至少需要完成88个转化事件)将退出机器学习阶段，广告组将从学习转变为投放。

Facebook机器学习有三种操作模式：广告系列预算优化、最低成本竞价策略、自动版位。 

1、广告系列预算优化（CBO） 

广告系列设置总预算，让系统实时将预算分配给性能最好的广告组，从而优化各广告组的预算分配。广告系列预算优化是在广告系列层面优化预算分配的一种方式。这意味着 Facebook会不间断地在广告系列中自动寻找实现成效的最佳机会并实时分配预算以获得这些成效。

改善表现：以相同的预算取得更多成果。

节省时间：减少预算的手动跟踪和管理，从而减少预算规划、设置和优化的时间。

改善投放：如果每个广告组都包含重叠受众，系统将删除重叠受众。然而，如果广告系列预算优化开关按钮打开，预算将转移到更具竞争力和更好机会的广告组，以减少投放不足。 

2、最低成本竞价策略

适用场景你比严格的效率目标更注重转化。最低成本竞价策略允许系统为卖家设置竞价，目标是为卖家获得最低成本的单一优化事件，并花费预算。

特别值得注意的是，所有广告团队在使用最低成本竞价和广告系列预算优化时，必须优化同一事件。 

3、自动版位

人工决定哪个时间，哪个广告使用哪个位置非常复杂，这将浪费时间和金钱。自动位置功能允许广告系统帮助卖家实时确定最佳位置，并动态地为这些机会分配更多的预算，并获得 Facebook 其应用和服务中的多个版本覆盖了更多受众的机会。

和仅限Facebook 的版位相比， 覆盖率高达 7% ，获取客户的成本更低，从而提高卖家的投资回报，单次成效成本降幅可以达到 71%。

（本文内容根据网络资料整理和来自用户投稿，出于传递更多信息之目的，不代表本站其观点和立场。本站不具备任何原创保护和所有权，也不对其真实性、可靠性承担任何法律责任，特此声明！）

常见问答(FQAS)

传统模式下,机器学习模型是通过收集和标注大量数据来训练的。这种模式下,模型从标注数据中学习规律,通过预测未标注数据来完成相应任务。

预训练模式下,模型先使用大量无监督的数据进行预训练,掌握语言的基本统计规律。然后在较小量的有监督数据上微调,实现特定任务。该模式利用无标注数据潜在信息,可有效提升模型效果。

自监督模式下,模型利用内部关系为自己构建监督信号,从而在没有标注数据的情况下进行训练。例如通过词相似度等纠正模型预测,实现自监督。该模式可以有效利用无标注数据,减少人工标注成本。