Ранжирование рекламы

Что предоставляют рекламодатели и чего они хотят добиться

В патенте Meta* от апреля 2021 года описывается запрос на размещение рекламы, содержащий текст, изображения, аудио, видео или другой контент и, возможно, целевую страницу, на которую человек попадает, открыв объявление.3 Согласно этому патенту, рекламодатель связывает с запросом ставку, а оплата может зависеть от показа объявления, получения взаимодействия или выполнения другого заданного условия.3

Выступая перед инвесторами в апреле 2022 года, Шерил Сэндберг проиллюстрировала разные цели на примере Lead ads для привлечения потенциальных клиентов и Shop ads для перенаправления людей на витрину бренда в Facebook* или Instagram*.5

Как прогнозируемая реакция влияет на ожидаемую ценность

В патенте Meta* от февраля 2018 года приводится пример расчёта ожидаемого платежа путём умножения ставки рекламодателя на вероятность того, что человек откроет объявление.4 Эта вероятность — оценка возможной реакции, а не доказательство того, что человек уже отреагировал.4

Релевантность и момент показа в рамках сессии

Выступая перед инвесторами в июле 2023 года, Марк Цукерберг назвал искусственный интеллект основой рекомендаций рекламы в Facebook* и Instagram*, а в октябре 2025 года описал дальнейшие возможности улучшить эти рекомендации с помощью более интеллектуальных систем прогнозирования.1011

Сьюзан Ли сообщила инвесторам в июле 2024 года, что Meta* совершенствует решения о том, какие объявления показывать и когда показывать их в течение сессии, в Facebook* и Instagram*.2 Ли отметила, что это способствует росту выручки и конверсий без увеличения числа объявлений, а иногда и при его сокращении.2

Улучшение ранжирования для рекламы в Reels

Что касается рекламы в Reels, Сьюзан Ли в октябре 2023 года сообщила инвесторам, что улучшение ранжирования входит в запланированную Meta* работу над эффективностью.9 В дополнительных комментариях для аналитиков в феврале 2024 года Чад Хитон также назвал ранжирование одной из областей, где есть возможности для улучшения.8

Последовательности событий вовлечённости и конверсий

Инженерная команда Meta* описывает два взаимодополняющих способа обучения на поведении для рекомендаций рекламы.13 Обучение на событиях, которое применяет команда, строит числовые описания непосредственно на основе событий вовлечённости и конверсий конкретного человека.13 Подход с обучением на последовательностях учитывает также порядок этих событий, чтобы определить, какие объявления могут оказаться релевантными следующими.13

Связь интересов с предложениями рекламодателей

В исследовании Meta* Hierarchical Interest Representation от июля 2026 года изучается объединение взаимодействий людей с информацией о рекламодателях, товарах и услугах.12 Цель исследования — связать предполагаемые интересы с тем, что рекламодатели предлагают в своей рекламе для глубоких этапов воронки.12

Исследователи Meta* описывают использование контента рекламодателей и товаров для обогащения ограниченных данных о взаимодействиях, в том числе в случаях с редко встречающимися или ранее не встречавшимися элементами.12 Получаемые числовые описания интересов и рекламных предложений они представляют как потенциально применимые в системах персонализации, отбора и ранжирования.12

Представление объявлений по смыслу, а не по отдельным идентификаторам

Инженерная команда Meta* описывает токенизацию GenRecs (GenRecs Tokenization) как способ представлять элементы короткими многократно используемыми метками, основанными на смысле, вместо того чтобы хранить отдельный идентификатор для каждого элемента.6

По описанию команды, сочетание содержания объявлений с закономерностями вовлечённости помогает её системам прогнозирования учитывать смысл объявления наряду с предпочтениями человека, в том числе когда элемент новый.6 Инженеры Meta* сообщили о росте конверсий на 0,35% при сочетании этого подхода с Generative Ads Model, или GEM, — системой прогнозирования для рекламы — и с Adaptive Ranking Model.6

Подготовка поведенческих данных до запроса на показ рекламы

В инженерном отчёте Meta* от августа 2026 года описывается многоэтапная схема, в которой фоновая система прогнозирования обрабатывает длинные истории поведения ещё до того, как потребуется выбрать объявление.14 По словам команды, в результате получаются сохранённые числовые сводки, отражающие закономерности в поведении человека.14

Инженеры Meta* описывают вторую систему, которая сочетает эти сводки со свежей информацией о рассматриваемых объявлениях, чтобы определить их порядок.14

Адаптация прогнозирования к каждому запросу

Инженерная команда Meta* описывает Adaptive Ranking Model как систему прогнозирования, которая помогает выбирать объявления, сопоставляя каждый запрос с моделью, подходящей для контекста человека и его вероятного намерения.15 Команда также описывает проектирование моделей с учётом возможностей и ограничений вычислительного оборудования, со специализированной инфраструктурой для эффективной работы крупных систем прогнозирования.15

В марте 2026 года инженеры Meta* сообщили, что у целевых пользователей Instagram* конверсии рекламы выросли на 3%, а коэффициент кликабельности (click-through rate) — доля показов объявлений, за которыми последовал клик, — на 5%.15