如今，AI（ArtificialIntelligence，人工智能）的进一步应用给数字营销行业带来了重大变革与重构。营销人员能够精准识别潜在用户并以最恰当的方式与这些用户进行交互。

深度学习作为人工智能更深层次的进化，进一步推动未来各个领域的变革和发展的浪潮，而于数字营销领域而言，AI的深度融合将最终使广告主和终端用户达到双赢局面。

比如我们所熟知的Google翻译和Tesla自动驾驶汽车等都是“深度学习”的例子，而Google深度学习平台DeepMind针对电视上脱口秀节目甚至能够观唇辨意，其正确率远高于专业会读唇语的人士（专业人士毫无错误的内容比重占12.4%，DeepMind则达到46.8%）。另外，早些时候， Google DeepMind 的 AlphaGo 在举世瞩目的围棋比赛中一举击败了韩国选手李世石。这些，都是深度学习的典型案例。

那么，深度学习若是用到互联网广告行业，又是怎样一番景象呢？作为风靡全球的饮料品牌之一，可口可乐创造了很多优秀的广告作品。但是一个AI机器人能代替一个创意策划人员吗？可口可乐认为，深度学习能够应用于数字营销的任何领域：从为广告配乐、撰写剧本、在社交媒体上发布内容到购买广告媒介。

广告主角度：深度学习模型，更精准预测用户个性化偏好

随着全球AI领域的发展和数字营销领域竞争的加剧，对营销人员而言，摒除用户周围的噪音环境，懂得用户的个性化需求从未变得如此重要。Adlucent research近期的一项研究表明，用户更希望得到个性化和定制化的广告体验，其中有71%的被调研者希望自己所看到的广告是能够结合自身兴趣和购物偏好的。研究还表明，当广告是基于用户喜好时，那么即使是陌生的品牌，用户对广告的点击率也是一般情况下的两倍。 那么，在这样的大趋势环境下，深度学习扮演着怎么的角色？AI、机器学习和深度学习又有哪些不同呢？

简而言之，深度学习是机器学习中一种基于对数据进行表征学习的方法，机器学习是实现人工智能的一种方法，而深度学习则是实现机器学习的一种技术。深度学习的意义在于，将不同的数据点关联并连接起来，而不是停留在简单的数据层面。也就是说，与传统的机器学习相比，深度学习能够从众多用户中识别出每个用户的个性化特征。

用户角度：深度学习模型，更懂自己

当深度学习被用于商业领域中的产品或服务时，就衍生为另一层面的问题：用户到底是谁，他们的真正需求是什么？这一点，在我们生活中最典型的一个应用是YouTube的推荐系统，YouTube推荐系统主要由两个深度神经网络组成：第一个神经网络用来生成候选视频列表；第二个神经网络用来对输入视频列表打分排名，以便将排名靠前的视频推荐给用户。候选视频生成是依靠协同过滤算法产生一个宽泛的针对用户的个性化推荐候选名单。排名神经网络是基于第一个候选生成网络的列表，提供更精细的区分细化，达到较高的推荐命中率。通过定义目标函数来提供一系列描述视频和用户的特征，排名网络则根据目标函数来给每一个视频打分，分数最高的一组视频就被推荐给用户。

再举个更为直观的例子，假设你要买一台照相机，那么深度学习模型就会将你从浏览网页开始到下单转化整个过程中的每一项数据做深度分析，并最终向你推荐最适合的产品。

亚马逊的相关产品推荐页面

另外，机器学习虽然已被广泛的应用在数字营销领域（如点击率、转换率的预测），但由于计算能力的限制，大多数公司会选用快速高效的线性模型。而未来大家会升级到效果更好的深度学习模型。举个例子，Avazu Holding对对人工智域应用的三大模型：作弊追踪模型能够自动识别作弊流量，预测模型能够预测CTR/CR及低质量流量，竞价模型能够用更快的速度和更低的价格中标。

以下是CTR预估流程的一个例子：

内容来源： 深度学习在搜狗无线搜索广告中的应用

Data是原始数据，包括点击及查询日志，从这些原始数据里抽出一些特征。Feature包括查询特征、广告特征、匹配特征。

查询特征是和查询词相关的特征，查询发生的地域、时间等。广告特征是指广告本身的信息，例如：来自哪个客户，是哪个行业的，它的关键词是什么，它的标题、描述、网址是什么等各种信息。匹配特征是指查询词和广告的匹配关系。

然后会进行模型的训练，包括线性和非线性。

模型在线下训练完后会到线上,线上Server会实时做特征抽取并预估。

例如：线上实时收到查询请求后，就会知道查询词是什么。比如广告的标题、关键词、描述等信息，有了这些信息后会利用加载的模型给出预估CTR，最终会进行Rank排序，从而筛选出满足指定条件的一些广告进行展示。

结语：深度学习使得机器学习乃至人工智能整个领域出现了众多实际应用。深度学习的出现，使得任何机器协助看上去都成为可能。无人驾驶汽车，更贴合用户的电商产品推荐，未来都大有可为。