aixpilot.com

Pilot Your Work with AI

浏览每日/每周/每月的广告与 AI 洞察报告，掌握行业动向

📢 广告日报 📢 广告周报 📢 广告月报 🌟 AI先驱周报 🤖 AI日报 🤖 AI周报 🤖 AI月报
← 返回首页
广告周报

广告周报 - 2026.03.09 ~ 2026.03.15

📅 周期：2026-03-09 ~ 2026-03-15

📝 字数：12531 字

⏰ 生成时间：2026-03-16 06:13:28 CST

广告 × 搜索 × 推荐 深研广告周报-2026-W11

（覆盖时间：北京时间 2026-03-09 00:00:00 ～ 2026-03-15 23:59:59）

1. 产品动态（3-4 条）

  1. Meta Ads：在 6 个欧洲市场新增 2%–5%「Location Fee」覆盖数字服务税（DST）成本

    • 变化点：Meta 已通过邮件与帮助中心通知广告主，自 2026-07-01 起，对投放到奥地利、法国、意大利、西班牙、土耳其、英国的广告额外收取 2%–5% 不等的「Location Fee」，按用户所在国家对应 DST 税率计费，费用在投放后追加计入账单，而非包含在广告预算中。(searchengineland.com)
    • 影响：欧盟/英国定向广告的实际 CPM / CPA 成本将系统性抬升且有超预算风险（因为 location fee 不计入预算控制），需要在出价模型中将该费用视作「国家维度加价系数」，重新评估 EU 站点投放的利润率与跨渠道预算分配。

  2. Amazon Ads（印度）：面向新广告主推出大额阶梯赠款与代运营扶持计划

    • 变化点：Amazon India 自 2026-03-01 起上线「New Advertiser Promotional Credits Incentive」活动，新开户卖家可获 INR 1,000 注册赠款，并按首充及 3 个月累计消耗获得最高额外 INR 25,000 广告赠款，同时达到指定首充与消耗档位可获 2 个月免费由 Amazon 验证代理提供账户代运营（Accelerate Program for New Advertisers）。(m.media-amazon.com)
    • 影响：对新入场卖家而言，前 3 个月有效投放成本显著降低（赠款最高可抵 3～4 万卢比广告支出），且可借助官方代理快速搭好 Sponsored Ads 基础结构；成熟品牌可借此在印度站测试新品或长尾品类，但需注意赠款有效期（2～6 个月不等）与代理对账户操作权限的合规管理。

  3. 俄罗斯 FAS：正式确认在 Telegram、Meta 平台、YouTube 等受限平台投放广告属违法行为

    • 变化点：2026-03-10，俄罗斯联邦反垄断局（FAS）发布声明，明确指出：在被通信监管机构 Roskomnadzor 限制访问的在线平台（包括 Telegram、Instagram、Facebook、YouTube、部分 VPN 与 WhatsApp 等）上投放广告被视为违反广告法，广告主与内容创作者最高可被处以 50 万卢布罚款。(themoscowtimes.com)
    • 影响：对深耕俄语市场的跨境电商与品牌而言，Telegram 频道广告、Instagram/FB/YouTube KOL 带货在法律风险上被大幅抬升，本周起应将上述平台视为「高合规风险媒体」，加速迁移预算至本地合规渠道（如 VK、Yandex、本地 DSP/联盟），并落实代理商与 KOL 合同中的「合规投放条款」。

  4. Google Ads API：Customer Match 新接入将转向 Data Manager API（公告略早于本周，需本周重点跟进）

    • 变化点：Google 于 2026-03-04 在官方 Ads Developer Blog 宣布，自 2026-04-01 起，Google Ads API 将不再接受新的 Customer Match 接入方；仅在 2025-10～2026-03 期间有过 Customer Match 数据上传的既有开发者 token 会被白名单保留，其他新接入或长期未用账号若尝试通过 Google Ads API 上传用户数据，将报错 CUSTOMER_NOT_ALLOWLISTED_FOR_THIS_FEATURE，Google 建议统一改走 Data Manager API 完成用户数据导入。(ads-developers.googleblog.com)
    • 影响：对依赖线下/CRM 数据做受众建模与再营销的全球广告主与代理商，这实质上是一次「接口迁移 + 合规审查」：需要在 4 月前完成 Data Manager API 打通与权限梳理，否则后续无法新建或更新 Customer Match 列表，也会影响基于相似受众/再营销的出价策略。

注：本周内未检索到阿里、拼多多、字节、腾讯、小红书、快手、百度等中国主流广告平台在 3 月 9–15 日间发布的明确产品级更新公告；不排除存在仅在私域社群或闭门会中披露的变更，[不确定]。建议内部通过 BD/KA 侧渠道进一步核实。

2. 论文（3–4 条）

  1. NextAds: Towards Next-generation Personalized Video Advertising（生成式个性化视频广告范式）

    • 作者与单位：Yiyan Xu 等，主要来自新加坡国立大学等学术机构。(arxiv.org)
    • 时间：提交于 2026-03-02（UTC）。
    • 核心方法：指出当前个性化视频广告系统大多仍是「从有限专业创意库中检索」的范式，难以持续细粒度个性化；提出 NextAds 生成式视频广告框架，将个性化创意视作连续空间中的生成问题，定义「个性化创意生成」与「个性化创意整合」两类任务，并给出端到端 pipeline 与轻量级 benchmark，以探索在投放环节实时生成/改写视频广告的可行性。
    • 落地启示：对短视频、信息流和 OTT 场景，意味着可以从「选哪个片子给谁看」转向「为谁实时拼装什么内容」，未来出价与拍卖机制需将创意生成成本、审核风险与用户体验共同纳入收益函数；短期可先在低风险品类上做「模板+GenAI 局部填充」试点。

  2. GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm（Baidu 商业广告 CTR 生成式排序）

    • 作者与单位：Shaopeng Chen 等，百度商业广告团队。(arxiv.org)
    • 时间：提交于 2026-02-02，2026-02-03 更新。
    • 核心方法：将推荐/广告 CTR 建模从传统 DLRM 的「宽特征+多层 MLP」升级为 LLM 式 sequence-first 生成框架 GRAB（Generative Ranking for Ads at Baidu）：
      • 将用户行为序列打包为交替的部分 token / 全量 token 序列，并用「异构可见性 Mask」控制注意力。
      • 设计 CamA（Causal Action-aware Multi-channel Attention），按行为类型/渠道分通道建模，显式注入位置、行为类型、时间间隔等相对偏置。
    • 结果与影响：在百度展示广告主流流量上，GRAB 全量上线带来 +3.05% 收入提升与 +3.49% CTR 提升，且在序列变长时表现满足近似线性 scaling law。对业务意味着：把「一次曝光」看成序列中的一个 token，而非静态特征向量，可在不爆炸式增加稀疏特征系统复杂度的情况下吃到长序列红利。

  3. EST: Towards Efficient Scaling Laws in Click-Through Rate Prediction via Unified Modeling（统一建模下的高效 CTR Scaling Law）

    • 作者与单位：Mingyang Liu 等，阿里巴巴（淘系广告）。(arxiv.org)
    • 时间：提交于 2026-02-11。
    • 核心方法：分析 CTR 预测与 LLM 的本质差异：
      • 行为特征 vs 非行为特征存在信息密度不对称；
      • 行为序列中穿插离散 ID 与多模态内容，需模态特定先验。

        因此提出 EST（Efficiently Scalable Transformer），在单一序列中对全部原始输入做统一建模，但用两大模块控制计算成本：
      • Lightweight Cross-Attention（LCA）：由非行为 token 作为 Query，对行为序列做稀疏跨注意力，去掉大部分 B-to-B 自注意力；
      • Content Sparse Attention（CSA）：利用预训练内容向量做相似度筛选，只对高信号行为做精细交互。
    • 结果与影响：在淘宝展示广告主站数据上，EST 在相近算力下 GAUC 优于 OneTrans 等 SOTA 模型，同时将自注意力计算量压缩 60%+；在线 A/B 显示「猜你喜欢」「购后推荐」场景分别获得 1.22% / 2.01% CTR 提升与 3.27% / 2.66% RPM 提升。对大规模广告/推荐系统而言，提供了一条在严格延迟约束下做深模型 scaling 的工程可行路径。

  4. Online Advertising with Spatial Interactions（考虑空间外部性的广告位分配与机制设计）

    • 作者与单位：Gagan Aggarwal, Yifan Wang, Mingfei Zhao 等，理论计算机与博弈论方向。(arxiv.org)
    • 时间：提交于 2026-02-12。
    • 核心方法：指出多数多广告位拍卖模型将广告位视为一维有序槽位，忽略了「相邻广告互相挤压注意力」的空间外部性；论文将广告位建模为度量空间上的点，单条广告的价值是出价乘以由邻居配置决定的折扣因子：
      • 在最近邻干扰模型下给出常数近似的多广告位分配算法，并证明其单调性，可实现可激励相容的机制；
      • 在乘积距离干扰模型下证明了一类强 NP-hard 性，几乎无法取得多项式因子近似。
    • 落地启示：对首页多品类楼层、信息流中多广告聚簇以及「广告 + 推荐内容」混排而言，简单按 slot CTR 曲线估价将系统性高估总收益；在做版位调整、Ad load 提升实验时，应显式考虑「版位-版位」负外部性，且在复杂干扰模型下更适合依赖学习+仿真，而非追求解析最优机制。

3. 技术文章（3–4 条）

  1. 《TikTok Advertising Red Lines 2026: Key Guidelines》（Alibaba.com：2026 年 TikTok 广告红线与合规实践）

    • 核心观点：基于 TikTok 2026 Q1 广告政策公告与合规案例，对平台「五大不可逆红线」与「灰区升级」做了系统梳理，包括：不可伪装系统 UI、严管健康功效宣称、禁止算法操纵指标（机器人互动、激励点赞等）、未成年人相关内容保护以及深度伪造（Deepfake）必须具备可验证授权等。(alibaba.com)
    • 技术方案：文章给出一套 7 步 Pre-launch Compliance Audit 清单（年龄分级、素材原文件上传、披露可读性压测、参与度模式审查、落地页与三方链接安全、UGC 授权与合规文档、人工复审请求等），并细化了 UGC 风格广告强制性「Ad」水印与口播披露、Before/After 图像的原始图提交与变量披露要求。
    • 实践要点：
      • 面向跨境 TikTok 投放，应把合规审查视作素材 pipeline 的一部分，在创意管理平台中加入「合规模板 + 自动校验（文字密度、披露时长、符号表述）」。
      • 高风险类目（减肥、美容医疗、金融）须预留 >5 个工作日进行素材白名单/人工审核，避免大促前夕集中封号。[不确定：文中对 TikTok 内部工具细节的描述部分依赖非官方说明，建议以 TikTok Business Center 最新政策为准进行二次核验。]

  2. 《GRAB: Generative Ranking for Ads at Baidu（技术拆解）》——Emergent Mind 评述

    • 核心观点：从工程视角解构 GRAB：将用户事件流编码为「局部历史 token +候选曝光 token」交错序列，通过 block-diagonal Mask 做 Sequence Packing 减少填充，并用 CamA 在「点击、曝光等多通道行为」中按时间、行为类型、时间跨度建模长程依赖。(emergentmind.com)
    • 技术方案：
      • 使用类似 DLRM 的大规模稀疏参数服务器生成 dense token，再进入 Transformer；
      • 通过「门控跨通道融合」在 target 位置聚合来自不同行为通道的表征，从而对「同一时刻多行为信号」做精细建模。
    • 实践要点：
      • 对已有「多模型串联」（召回 + 多路 CTR/VR 模型）的广告系统，可考虑以 GRAB 式单模型统一结构替代多塔模型，简化线上架构。
      • 需要重点评估：序列打包对训练吞吐的提升 vs. 时序 Mask 逻辑复杂度，以及如何在在线 Serving 中保证与离线 Mask 逻辑的一致性。

  3. 《[论文评述] EST: Towards Efficient Scaling Laws in Click-Through Rate Prediction via Unified Modeling》——TheMoonlight.io 多语言评述

    • 核心观点：用工程视角详解 EST 的两大模块 LCA 与 CSA 如何在几乎不降精度的前提下削减 60%+ 计算量，并验证在淘宝展示广告的在线实验中，EST 相比生产基线在「猜你喜欢」「购后推荐」场景显著提升 RPM 与 CTR。(themoonlight.io)
    • 技术方案：
      • 利用 token 特定 Query 权重 让非行为特征对行为序列做「一对多」 cross-attention，实现 Query 稀疏、Key/Value 共享；
      • 通过内容相似度选择少量高价值行为进入 CSA，从而在不增加太多算力的前提下获得额外增益；
      • 采用「稀疏参数 warm-start + 稠密参数 scratch」和「epoch 级别稀疏参数 reset」策略，缓解推荐系统训练中常见的一轮过拟合问题。
    • 实践要点：
      • 对已有大型 Transformer CTR 模型的业务，EST 的设计说明：不必强行照搬全自注意力 LLM 结构，而应围绕 CTR 任务的信息密度特性做剪枝与稀疏化。
      • 可以先在次要场景（如中长尾推荐位、低流量频道）上试验 LCA 样式的 cross-attention 替换，落地门槛相对较低。

  4. 《Unleashing Autonomous AI: The Rise of Self-Evolving Recommendation Systems with LLM Agents》——基于 Google Self-Evolving RecSys 论文的工程解读

    • 核心观点：文章基于 Google「Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents」论文，对 「内外双环」agent 化推荐系统优化框架做了通俗解读：Offline Agent 高吞吐生成/筛选候选模型改动（架构、优化器、奖励函数等），Online Agent 在真实流量上用长期业务指标（如 7 日留存、观看时长）进行最终选择。(arxiv.org)
    • 技术方案：
      • LLM（Google Gemini 系列）担任「虚拟 ML 工程师」，能够阅读实验日志、生成假设、编写/修改训练脚本，并基于 A/B 结果自我修正。
      • 整个系统围绕统一的「实验知识库 + 实验日志」构建，形成可追溯的自进化闭环。
    • 实践要点：
      • 对多场景、多模型的推荐/广告平台，可在现有 AutoML / NAS 的基础上，引入「LLM 负责生成实验方案 + 人工只做 guardrail 审核」的轻量版本，而非一上来全自动上线。
      • 需重点建设：

        1）统一实验元数据规范与结果存储；

        2）安全约束（防止 agent 修改关键计费/风控逻辑）；

        3）与线上 A/B 平台的稳健对接。

4. 本期可执行行动清单（1–2 条）

  1. 围绕 Meta「Location Fee」重构 EU/UK 投放的成本与出价模型

    • 适用场景：在 Meta 上有显著 EU/UK 投放预算的跨境电商、订阅类与品牌广告主（尤其是投放到法国、意大利、西班牙、奥地利、土耳其、英国的转化/ROI 型活动）。(searchengineland.com)
    • 落地路径：
      1）数据侧：在内部报表中新增「含 Location Fee 的真实 CPC/CPA/ROAS」口径，按国家拆分；
      2）策略侧：
      • 对高 DST 国家（5%：奥地利、土耳其）适当下调目标 ROAS 或减少覆盖频率，将预算转移到 DST 较低或无 DST 的国家/其他渠道；
      • 在自动出价（tROAS/tCPA）中，通过上层预算分配（如 Campaign Budget Optimization + Geo 拆账户）显式限制高成本地区的花费上限；

        3）实验侧：以 1～2 个主要市场为试点，运行「考虑 Location Fee 的多渠道归因模型 vs 传统模型」对比实验，验证当 Location Fee 纳入成本后，Meta 与 Google/TikTok/程序化渠道在边际 ROI 上的排序变化。
    • 注意事项：
      • Location Fee 是账单后置的费用，短期内第三方监测、MMP 可能无法感知，容易造成成本漏算；
      • 合同/报价给到品牌时，需明确是否将 Location Fee 显性转嫁，避免后续结算争议。

  2. 以 EST / GRAB 为范本，对现有 CTR 模型做「序列统一建模 + 计算剪枝」升级 PoC

    • 适用场景：有大规模行为序列、对延迟敏感的广告/推荐系统（如首页推荐、Feed 广告、搜索广告 CTR 模型）。(arxiv.org)
    • 落地路径：
      1）选取一条核心流量链路（如「搜索广告 CTR」或「主 Feed CTR」），从日志中构建「行为序列 + 当前候选曝光」的统一序列表示；
      2）按 GRAB 思路（sequence-first + 多通道时间建模）或 EST 思路（LCA+CSA，减少自注意力）实现一个小规模试验模型，在不更改线上召回/拍卖逻辑的前提下，只替换 CTR 预估模块；
      3）先在离线上验证 AUC/GAUC 与推理延迟，再在 1%～5% 流量上做 A/B，观察 RPM/CTR/延迟三者的 trade-off；
      4）若效果正向且延迟可控，再逐步推广到更多场景，并投入资源做统一的 embedding / 序列打包基础设施。
    • 注意事项：
      • 序列统一建模会带来日志结构、特征工程与模型服务的系统性变更，建议从「新场景或边缘位」切入，而非直接替换现网主力模型；
      • CamA、LCA、CSA 等结构对实现细节敏感，在生产环境中要特别关注：mask 正确性、缓存复用策略、以及 GPU 上注意力 kernel 的实现效率。

5. 论文与链接列表

5.1 本期涉及论文

  1. NextAds: Towards Next-generation Personalized Video Advertising

  2. GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm

  3. EST: Towards Efficient Scaling Laws in Click-Through Rate Prediction via Unified Modeling

  4. Online Advertising with Spatial Interactions

  5. Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents

5.2 本期引用的外部技术文章与产品文档

  1. Meta Ads Location Fee / 数字服务税传导

  2. Amazon Ads India：New Advertiser Promotional Credits Incentive Promotion 条款

  3. 俄罗斯 FAS 广告禁令

  4. Google Ads API：Customer Match 支持策略调整（需迁移至 Data Manager API）

  5. TikTok Advertising Red Lines 2026 指南（Alibaba.com）

  6. GRAB 技术评述（Emergent Mind）

  7. EST 技术评述（TheMoonlight.io，多语言版本）

  8. Self-Evolving Recommendation System 工程解读文章

如需，我可以在后续补充：
- 针对某一平台（如 Meta / Google / 抖音电商）的专项深研周报；
- 或将 GRAB / EST / NextAds / Self-Evolving RecSys 四篇论文进一步拆分为「可直接指导工程实现的技术方案笔记」。