文章核心观点 - 当前电商广告推荐算法存在“购买后重复推荐同类商品”等不精准问题，其根源在于传统算法难以有效利用5G时代爆发的多模态（文本、图片、视频）用户数据 [1][3][6] - “全模态生成式推荐”是广告推荐算法领域的革命性技术路线，它能融合多模态数据，为用户生成个性化内容，甚至预测未来需求，从而提升推荐精准度与用户体验 [5][11][13] - 全模态生成式推荐技术的全面落地面临三大技术难点：多模态数据噪声与缺失、超大规模稀疏ID的处理、以及新商品/用户的冷启动问题 [13][15][17][18] - 腾讯广告通过举办2025年算法大赛（奖金池360万元人民币），以“以赛育人”的方式吸引和培育人才，汇集创新方案以攻克行业技术难题，并推动该技术路线的产学研用协同发展 [18][19][23][26] - 算法大赛成果显著，冠军方案通过构建三级会话体系、采用Dense模型等技术提升了推荐效率与精准度，验证了扩大训练规模的可行性，并为腾讯广告输送了人才，直接提升了业务指标（如广告点击率提升2%） [19][21][23][24] - 腾讯广告此举不仅旨在引领行业技术革命，解决广告推荐不准的行业痛点，也践行了其“技术造福行业与社会”的品牌价值理念和“科技向善”的责任担当 [26][30] 行业现状与痛点 - 5G时代移动互联网视频广告内容爆发式增长，用户数据从“文本+图片”扩展为“文本+图片+视频”，但传统推荐算法无法有效利用新增的视频等数据类型 [8][9] - 传统广告推荐算法采用“判别法”，依赖用户历史行为标签，导致出现“购买吹风机后仍推荐吹风机”等不精准、令用户反感的乱推荐现象 [3][6][11][18] - 广告推荐不准的问题降低了用户体验，也为后续的点击和购买行为带来了负面影响 [6][11] 技术革新：全模态生成式推荐 - 全模态生成式推荐技术能天然融合文本、图片、视频等多模态用户数据，为每位用户创造个性化的推荐内容 [11] - 该技术具备“预测未来”的能力，能结合用户多模态行为数据（如看电影、搜图片、听歌）推测用户情绪与潜在需求，从而进行精准的商品推荐 [13] - 技术落地面临三大核心难点：1) 多模态训练数据存在缺失率高、信噪比低（如图文不符、清晰度差）的问题；2) 电商平台商品SKU超十亿、用户数亿，处理此类不可拆分的超大规模稀疏ID对系统架构提出挑战；3) 需解决冷启动问题，要求模型具备强泛化能力，仅凭商品信息即可推测潜在兴趣用户 [13][15][17][18] 2025腾讯广告算法大赛 - 大赛赛题为“全模态生成式推荐”，旨在吸引技术人才共同攻克该技术路线的落地难题 [3][5] - 大赛奖金池高达360万元人民币，并为人才提供职业发展通道：决赛所有队伍成员有机会获得Offer意向书，前10名队伍成员100%获得Offer意向书，进入复赛成员100%获得实习Offer [25] - 大赛采用“以赛育人”模式，成功为行业吸引、培育并输送了人才，许多参赛者入职腾讯广告后成为业务顶梁柱，并将其大赛方案应用于实际业务，显著提升关键指标 [18][23][24] 大赛创新成果与方案 - 冠军队伍Echoch构建了三级会话体系，有效归纳杂乱用户行为数据，并让模型能根据广告目标（如转化）为用户不同行为设定不同权重，显著提升广告目标兑现率 [19][21] - Echoch队伍采用Dense模型作为技术底座，实现了在海量数据中快速精准调取相关内容，同时大幅降低对性能的要求 [21] - 参赛者“也许明天”验证了Scaling Law（规模定律）在生成式广告推荐模型训练中同样有效，即增加训练数据、模型参数和算力能提升效果，为行业加大资源投入提供了信心 [21][23] - 往届大赛人才将技术方案应用于实际业务：如优化pCTR/pCVR模型大幅提升广告转化率；将“新鲜度特征”融入推荐系统，直接使广告点击率提升2% [24] 腾讯广告的战略与行业影响 - 腾讯广告主动联络全球专家举办算法大赛，构建“产学研用”协同生态，促进高校学术知识与产业需求对接 [26] - 为加速全模态生成式推荐路线落地，腾讯广告将无偿开源训练数据集，为行业发展和学术进步提供支持 [26] - 腾讯广告此举被视为行业技术风向标，旨在引领广告行业的技术革命，刷新大众对广告的认知，并践行“科技向善”的责任担当 [26][30] - 2025年算法大赛吸引了数千位技术人才参与，其技术方案预计将在未来应用于实际生产场景 [28][30]