以智能一体化为目标的高校“智能广告”课程系知识图谱建构

摘要

当前“智能广告”相关课程大多存在的教学内容滞后于行业实践、知识体系沿袭传统广告流程、AIGC仅被作为局部工具点缀等突出问题。为系统回应上述挑战，本研究构建了“理论－产业”双链知识图谱，形成五大高频知识点聚类，推动课程结构从割裂走向融合。该图谱旨在提升教学与行业发展的同步性，加强知识模块之间的关联性，并帮助学生构建更清晰的认知地图，从而主动契合智能广告一体化运作的产业趋势。目前，该知识图谱已完成架构搭建，其对学生系统思维与实战能力的具体影响，有待后续通过大规模实证研究与专家加权评估进一步验证。

关键词

智能广告课程系 知识图谱 智能一体化

Abstract

The current curricula related to “Intelligent Advertising” are largely plagued by several prominent issues: the lag between teaching content and industry practice, the knowledge system’s adherence to traditional advertising procedures, and the fact that AIGC is merely used as a localized tool for embellishment. To systematically address these challenges, this study constructs a “Theory-Industry” dual-chain knowledge graph, which organizes the content into five high-frequency knowledge cluster categories, thus promoting a shift in the course structure from fragmentation to integration. This graph is specifically designed to enhance the synchronicity between teaching and industry development, strengthen the connections between different knowledge modules, and assist students in building a clearer cognitive map, thereby proactively aligning with the industry trend toward the integrated operation of intelligent advertising.

Currently, the preliminary architecture of this knowledge graph has been established. Its specific impact on students' systematic thinking and practical capabilities awaits further verification through large-scale empirical research and expert weighted evaluation in subsequent studies.

Keywords

Intelligent Advertising Curriculum System Knowledge Graph Intelligent Integration

2023年以来，生成式人工智能（Generative Artificial Intelligence）所带来的颠覆式创新，在广告领域展现出广阔的发展前景，推动国内高校广告专业陆续开设智能广告相关课程。

智能广告（Intelligent Advertising）在传播学意义上指的是广告经营者在其产品、服务与消费者之间，利用人工智能进行的高度自动化的信息处理[1]。然而，当前相关课程大多存在内容更新滞后于行业变革、教学案例脱离真实商业场景的突出问题。其知识体系大多仍沿袭传统广告流程，仅将AIGC工具作为局部点缀，或简单介绍程序化广告概念和模式，导致学生知其然不知其所以然，难以形成应对复杂产业环境的系统性思维。

1 智能一体化运作与课程体系重构的时代命题

目前，智能化内容生产主要集中在广告创意与表现、广告投放与反馈两大环节，也就是说智能技术嵌入广告内容生产流程是局部性而非整体性的[2]。业界期待在6G乃至7G基础性技术的支持下，以程序化广告的基本技术框架为依托，形成一个更为完整的广告一体化运作的“闭环”[3]。智能一体化运作意味着由数据实时驱动创意、由技术中台支撑转化、跨职能自动化协同，将整个营销链路整合为一个有机的、智能驱动的闭环。

然而，目前高校的传统广告学课程体系往往难以实现传播学、计算科学，以及业务应用的深度融合，导致人才培养与业界需求存在显著错位。例如，头部科技企业对“广告算法工程师”的招聘要求强调具备优秀的程序开发能力、具有扎实的机器学习基础，掌握图像生成的基本原理并有相关实践，利用LLM生成和改写广告文案，并能融合数据思维、产品思维和良好的理解沟通能力。这种融合型人才的缺乏，已成为制约行业发展的瓶颈。学界已注意到这一问题，在科研上不断推陈出新，丰富了广告相关理论在大数据时代的发展；在教学上以中国传媒大学为代表开设了计算广告专业，并同步重构学科知识体系，期待能适应效率和价值的迭代，应对行业对技术与创意融合人才的迫切需求。

智能一体化运作依赖于统一框架下多维度信息智能化处理与生成，涉及广泛的知识和技术体系。我们将广告产业运作的机制、方式、工具、变化等纳入教学框架，使智能一体化既成为课程系设计的方法，又成为培养体系建设的目标[4]。

因此，智能广告的知识边界已从传统广告学的市场营销、新闻传播、社会学交叉，深度融入计算机科学、数据科学、认知心理学、机器伦理学等。面对如此庞大和复杂的知识体系，迎接知识迭代速度快的挑战，本研究提出以知识图谱（Knowledge Graph, KG）技术为核心，重构智能广告课程体系。作为一种结构化的语义网络知识库，知识图谱是由知识框架和实体数据共同构成，能够以结构化、关联化、图形化和可视化的方式呈现多元异构的信息。当代知识图谱技术主要体现在知识表示、知识库建设、知识推理和知识应用等方面[5]。简言之，学科知识图谱能够准确、动态地可视化学生的知识状态和概念间的结构关系，从而为教师提供数据支持，并及时预测学生的学习困难。因此，知识图谱是实现个性化和自适应学习推荐的技术基础。通过构建学科知识图谱，课程设计能够突破传统线性教学的限制，实现对学生学习情况的精确诊断，进而为教师开展多元化教学评价、实现因材施教提供有力支持；还可揭示知识领域的动态发展规律，为研究提供切实的、有价值的参考。

本研究在中外学术前沿文献的基础上，梳理了腾讯研究院、Quest Mobile最新的行业市场报告，并通过对字节等头部企业招聘需求的分析，锁定课程系必须涵盖的关键技能。尝试通过构建五大高频知识模块的聚类和“理论－产业”双链知识图谱，将人工智能技术深度融入课程教学的全过程，以期实现知识传授、能力培养与产业需求的无缝对接。

2 “智能广告”课程系知识图谱的构建流程和聚类分析

2.1 知识图谱的常规构建流程

（1）知识概念提取：基于智能一体化目标，主要从权威教材、行业报告、学术文献中进行信息抽取和术语提取。

（2）关系定义与本体构建：定义概念间的语义关系并以图结构实现，例如定义数字广告、计算广告、智能广告之间的区别与联系；计算广告与广告竞价机制之间的包含关系；定义深度学习与特征工程之间的支撑关系；以及定义“RAG”与“智能体检索”之间的应用场景关系。

（3）专家审核与校准：由广告传播、计算科学等领域专家对提取的知识概念和关系进行权威性、时效性和可行性审查，确保图谱结构的准确性。

（4）可视化与集成：利用如Echart.js等工具对知识网络进行可视化展示，并将其集成到学习元平台，以实现与在线课程资源的关联和统一管理。

2.2 智能广告课程系的知识模块聚类分析

基于对学术前沿、行业市场和招聘需求的文本进行命名实体识别，研究提取出以下五大高频知识点聚类（图1），它们构成了以智能一体化为目标的课程系核心知识模块，旨在培养学生的技术建模、商业洞察和伦理素养。

图1 智能广告五大高频知识点聚类

聚类#1智能广告理论与原理，包含计算广告、智能传播、广告效果评估、用户行为/认知量化、数据驱动的广告理论发展，是确立智能时代广告理论的基石。聚类#2智能算法与模型实践，包含机器学习（ML）/深度学习（DL）、统计学习、特征工程、信息检索、多场景多任务建模、冷启动推荐；目的是培养扎实的算法建模和编程能力，解决高价值业务场景的实际问题。聚类#3生成式AI与前沿应用，包含推理大模型、端侧大模型、RAG （检索增强生成）、多模态信息检索、智能体检索、个性化内容生成；目的是掌握前沿技术在内容生成、创意优化和AI营销系统中的应用。聚类#4跨媒介运营与整合策略，包含移动端优化、OTT/智能硬件营销、跨平台聚合、内容种草、全场景体验闭环、曝光与转化平衡、流量成本管理……目的是实现跨平台、高效率、ROI导向的营销策略。聚类#5数据伦理与安全治理，包含数据安全、AI治理、行业透明化、用户隐私保护、广告法规；目的是培养数据合规性意识，应对政策监管，确保算法应用的可信赖性。

这五大聚类并非孤立存在，而是通过知识图谱中的语义关系紧密联系，共同支撑智能一体化运作。例如，聚类#1提供的理论概念是聚类#2进行业务建模的理论指引。聚类#4强调的跨平台聚合和转化目标，必须依赖聚类#2和#3的技术支撑才能实现。而聚类#1#2#3#4都必须在数据伦理与安全的约束与规范下。

2.3 知识图谱的更新

智能广告相关技术迭代速度极快，知识图谱的更新机制应内嵌于课程设计，实现数据驱动的自适应调整。系统应持续收集和分析学生的学习时间、交互次数、学习路径等行为数据，以及最新的行业报告、招聘需求变动等外部行业数据，定期对知识节点和关系进行优化和调整。系统利用这些数据评估教学效果，并支持教师修订课程教学计划和优化课程学习资源。在“智能一体化”目标指引下，这一动态更新机制是实现课程的关键环节，确保课程的时效性和前瞻性。

3 高校“智能广告”课程系的理论型知识图谱构建

五大高频知识模块的聚类是课程体系的宏观结构和内容边界，而本节建构的理论型知识图谱是实现知识精确表达和教学应用的微观结构和技术骨架。两者共同的目标是解决传统广告教育的结构性缺陷和知识时效性问题。

“理论－产业”双链知识图谱的设计，旨在解决理论教学与产业实践之间的结构性断裂问题。其中，理论型知识图谱源于课程与教材，负责构建学生关于智能广告的系统性、原理性认知，回应“是什么”和“为什么”的问题。我们以智能一体化为总目标，遵循智能技术从计算智能到感知智能再到认知智能的演进逻辑，对传统广告教学中广告调查与分析、广告策划、广告创意与表现、广告投放与反馈这四大核心模块进行重构。每个模块的理论型知识图谱具备树状结构，一级、二级、三级、四级知识点分别对应树根、树干、树枝、树叶……逐级分解（如图2~图5所示）。通过对每级知识点设置“前置知识点”和“后置知识点”，为知识点增加学习时空逻辑并相互关联，渐进式形成知识图谱。每个模块又设置“关联知识点”并添加该知识点所需要的其他学科背景，如论文、慕课、行业报告等公开学习资料，以丰富知识维度，确保学生能系统理解智能广告的运作全貌。

图2 智能广告理论型知识图谱之广告调查与分析模块

图3 智能广告理论型知识图谱之广告策划模块

图4 智能广告理论型知识图谱之广告创意与表现模块

图5 智能广告理论型知识图谱之广告投放与反馈模块

可见，理论型知识图谱不仅是对传统广告流程的重构，更是将五大高频知识模块的精髓转化为可教、可学、可诊断的路径。各模块中的知识点可以继续向下分解，教师可以给知识点预设个性标签，标明学习难度、重点、关联知识点等；也可迅速发现某一学生的学习兴趣和知识盲区，有助于课堂教学模式从封闭转向开放，加快教师教学的差异化进程。学生根据自身的兴趣和职业规划，选择不同的分支路径，根据自己掌握的情况再次标注，并结合AI工具进行图谱的个性化改建。系统可根据跟踪和检测提供个性化的学习资源推荐和不同难度的学习内容。学生还可以根据诊断结果，自主选择小组协作学习或主题式小组学习，促进同学间的互补和互助。

图2~图5中，计算智能－感知智能—认知智能的分层逻辑，是将智能技术从基础数据处理，到理解世界，再到生成决策的升维旅程，融入到调查、策划、创意、投放的四大广告核心业务模块，从而培养出融合技术、创意和产品思维方式的复合型人才。

计算智能位于理论型知识图谱的底层，着力解决如何收集、处理数据和执行规则的问题。它关注的是基础性的数据工程、算法执行和规范性操作，是所有智能活动的基础。如在广告调查与分析模块，聚焦于数据采集方法论、数据清洗的逻辑与处理流程。这直接映射到宏观的聚类#2智能算法与模型实践中所要求的特征工程和数据处理能力。在广告策划模块的“智能目标与预算管理”，侧重于将商业目标转化为可计算的规则。例如，教授预算分配模型、边际效益递减规律的计算，以及如何基于营销漏斗模型与关键指标进行目标拆解。这体现了计算智能在策略制定中将宏观决策工程化的能力。而在广告投放与反馈模块的“程序化交易与投放”，是计算智能在实战中的集中体现。要求学生掌握RTB实战的流程、出价策略以及投放平台的自动化规则设置。这些都是依赖精确的计算逻辑和自动化系统执行的知识点。

感知智能位于理论型知识图谱的中层，着力解决如何理解环境、洞察受众和评估效果的问题。它依赖于计算智能处理好的数据，利用AI和统计技术对非结构化信息进行解读，形成洞察，是连接数据处理和高级决策的桥梁。在广告调查与分析模块的“从数据到图像”，利用自然语言处理（NLP）来解读用户评论和社交媒体文本，并结合人口属性与行为体系，将离散的数据点转化为可感知的、立体的用户“图像”。这支撑了宏观聚类#2智能算法在用户通用表征方面的应用。广告策划模块的“情感感知与受众定向”强调如何基于洞察进行精准受众锁定。例如，教授Lookalike模型解析的原理，以及如何通过算法发现与现有高价值客户相似的潜在受众。这体现了对用户行为模式进行量化研究后，将洞察应用于精准定向的能力。而在广告创意与表现模块的“创意效能评估”，则侧重于评估创意元素在受众端的表现。例如，解读注意力热图以分析用户视觉焦点，进行品牌认知度、喜爱度等指标的测量，并分析创意与受众情感需求匹配的程度。这属于宏观聚类#4跨媒介运营中内容种草效果的量化诊断。

认知智能位于理论型知识图谱的顶层，着力解决如何生成新的策略、优化系统和进行最终决策的问题。它利用计算智能的基础和感知智能的洞察，实现更高阶的推理、规划和优化，以达成“智能一体化”的总目标。广告创意与表现模块的“动态创意与策略生成”是宏观聚类#3生成式AI与前沿应用的核心落地。它不仅要求掌握动态创意优化系统，更要研究AI智能体作为新服务模式的演变，以及如何基于大数据进行创意效能回顾性研究，实现证据驱动的策略生成。在广告策划模块的“策略生成与优化”中，认知智能体现为宏观策略的制定，例如智能策略与决策模型、归因与优化循环，强调学生能够综合计算智能和感知智能的结果，实现曝光与转化平衡的品效合一策略。而在广告投放与反馈模块的“智能归因与闭环运营”这一“智能一体化”的终极目标，课程会教授归因模型分析，以及如何基于反馈数据的回流构建闭环运营系统，实现投放的自适应优化。该层将智能广告一体化运作的伦理与隐私规范作为核心知识点嵌入，直接映射到宏观聚类#5数据伦理与安全治理，强调认知层面的法律和道德约束。

通过这种树状结构和计算智能－感知智能－认知智能的分层逻辑，理论型知识图谱不仅完成了对传统知识的重构，更通过前置/后置知识点和关联知识点的设置，在微观层面为学生搭建了一条清晰、可验证的学习路径，从而确保他们能系统理解和掌握智能广告的运作全貌。

4 高校“智能广告”课程系的产业型知识图谱构建

如果说理论型知识图谱负责构建原理性、系统性的认知，那么产业型知识图谱是源于实际广告项目而构建的信息结构，负责呈现智能广告知识和技术在真实场景中的应用逻辑、工作流与决策点，主要回答“怎么用”和“如何变”的问题。它将抽象的五大高频知识模块转化为可操作的产业能力。

产业型知识图谱遵循品牌生命周期，将广告的调查、策划、创意、投放四大模块转化为定义、策略、内容、执行四个核心任务。首先，由业界导师或通过案例库选取典型的智能广告战役，如某品牌利用智能体进行千人千面的跨媒介营销，将项目全流程进行拆解。其次，从案例中提炼出关键的产业运作节点，这些节点与理论型知识图谱的一级、二级……知识点形成对应，这确保了实战环节的每一步都具备扎实的学科理论根基。比如，产业节点“智能洞察生成”对应理论知识点“聚类分析与客群洞察”；产业节点“AIGC动态创意生成与批量测试”对应理论知识点“AIGC工具应用基础”；产业节点“跨渠道程序化竞价与预算分配”对应理论知识点“智能投放与效果优化”，并依赖于理论型图谱中计算智能和感知智能层所教授的技术基础。最后，以一个完整项目为根节点，将其逐渐解构为上述产业节点，再通过项目－知识的映射关系，实现了知识体系的知识融合和能力闭环。

产业型知识图谱更好地服务场景化教学，学生能直观看到用户画像如何用于精准投放，AIGC创意如何与效果优化形成数据闭环……。在具体课堂教学中，教师可结合代表性的行业案例，更好地揭示智能一体化逻辑。图6是以某新能源汽车品牌上市活动为产业实例，展示核心工作流程、决策点及理论根基。

问题定义阶段是智能一体化运作的起点，旨在将商业目标转化为可计算和可定向的元素。通过多源数据采集，分析商业目标和拆解目标人群，确保策略的精准启航，对应的理论型图谱里的定位理论和消费者行为学；呼应聚类#1广告效果评估方法，也运用了聚类#2中的多场景多任务建模和用户通用表征技术。

在策略生成阶段，塑造拟人化AI助手是品牌叙事理论和形象传播在AI时代的演绎；在内容生成阶段，利用AIGC工具生成视觉、音视频与文案，是符号学在创作环节的规模化实践。这两个阶段是智能广告中最具创新性和前沿性的环节，核心是将品牌内核转化为高效率、个性化的创意资产。既是对聚类#3生成式AI与前沿应用的集中实践，又是对聚类#4媒介策略与KOL组合的呼应，对内容种草策略的应用，将内容转化为实际的营销触点。教学刻意强调：USP理论和品牌形象与故事理论是理论链对实战的关键指导。这是确保AIGC生成的内容不是空洞的技术堆砌，而是具有符号学意义和情感共鸣的品牌资产。

投放与优化阶段强调算法驱动下的效率优化和长期稳健性。程序化创意投放和AI营销智能体交互是聚类#2的典型应用场景，尤其是动态出价与预算分配以及实时竞价策略。在评估与迭代阶段，数据驱动的归因与模型优化，则对应归因模型与机器学习。这也是聚类#4的最终目标，强调品牌资产与转化归因，要求学生能够追踪用户从线上内容到线下试驾的全场景体验，并优化转化路径。体现了整合营销传播追求的“一种形象，一个声音”，以及链路营销对用户路径的全程关怀。该阶段受数据安全和隐私规范的直接约束，在处理用户的试驾、购车等高敏感数据进行归因分析时，教学中需强调聚类#5所要求的合规意识，以应对日益严格的AI治理和数据安全政策。

产业型知识图谱通过具象化的工作流与决策点，回答了“如何操作”与“因何而变”的产业之问。借助新能源车品牌上市活动的实战图谱，通过将复杂的行业流程解构为清晰的五个阶段和多个知识节点，成功验证了五大高频知识聚类的宏观结构合理性。它与理论型知识图谱节点的明确对应关系，构成了“理论－产业”双链融合，清晰地展示数据、算法、创意、投放如何在统一框架下流动与协同，实现从局部智能到整体智能的认知飞跃。

图6 产业型知识图谱的建构——以新能源汽车上市活动为例

每一次智能广告的产业实践都不是无源之水，其背后均有一套成熟或前沿的传播学、营销学与计算机科学理论体系作为支撑。这正是我们在课程系中力图向学生揭示的根本逻辑。理论结合实践能让学生形成完整的知识和能力体系，为解决实际问题奠定坚实基础，努力成为行业和社会需要的T型人才。

5 基于“理论－产业”双链知识图谱的课程设计

本课程系设计采用模块化结构，以知识图谱为核心导航。支持技能树模式，即学生可以通过知识图谱清晰地看到从理论基础（聚类#1）到算法核心（聚类#2），再到前沿应用（聚类#3）的晋升路径。“理论－产业”双链知识图谱能清晰揭示知识点、项目案例与教学评价之间的内在联系。将原理、技术和商业思维结合，避免学生将策略理解为脱离技术基础的空泛概念。在此基础上，构建一套可执行、可评估的课程体系，成为推进规模化个性教学、培养适应智能广告一体化运作需求的复合型人才的关键路径。

5.1 “理论－产业”双链知识图谱在自适应推荐中的应用

知识图谱的价值不仅体现在对知识关联的静态呈现，更在于其作为智能教学中枢所具备的动态支持能力。可以搭建基于知识图谱的“学习元”平台，实现对学生的个性化指导和自适应推荐。

双链知识图谱通过语义解析技术，将经典广告与传播理论的“理论链”节点，与程序化购买、动态创意优化等“产业链”节点进行深度关联。基于学生的学习进度与兴趣标签，AI系统能够在广阔的知识网络中为其规划个性化学习路径。如为对计算广告感兴趣的学生，自动关联并推荐相应的核心知识点、相关技术伦理讨论及行业代表性企业的实践案例。

当文科背景学生在面对数据采集、情感计算等技术性节点遭遇困难时，系统能迅速进行学情诊断与定位。AI助教会将该问题映射至知识图谱中，识别学生在前置知识的薄弱环节，如是否统计学基础不足，进而动态生成定制化的微课程学习包，其中可能包含精要的教学视频、一篇深入浅出的解析文献、一个相关的技术演示案例，从而实现精准的知识巩固与能力弥补。

此外，系统通过知识图谱实时动态呈现学生的课程学习成绩、学习认知地图以及学习参与水平。学习认知地图能够可视化学生对知识节点的掌握程度和知识结构缺陷，从而提供精确的诊断给师生。还可对学生群体中普遍存在的学习难点进行实时聚类分析，并以可视化形式反馈给教师。据此，教师可及时调整教学节奏与重点，甚至补充生成新的教学案例，进一步丰富知识图谱的内容，最终构建教学相长、持续优化的集体智能演化。

5.2 以能力阶梯为核心的模块化课程系设计

围绕“理论－产业”双链知识图谱，本文构建了一个以能力阶梯为核心的智能广告模块化课程体系，旨在引导学生从基础认知走向综合理解，最终实现创新应用，逐级攀登。（图6、7）

图7以能力阶梯为核心的智能广告课程系

5.3 AI赋能的个性化学习路径与评估体系

在双链知识图谱的支撑上，课程体系致力于形成以AI驱动的个性化学习路径，并构建过程性与终结性相结合的评估体系。

入学初期，通过问卷与简单的知识测试为学生绘制初始能力画像。随后，在每一个教学模块中，系统会根据其作业、测验、案例研讨的表现，动态调整其后续的学习资源的配置与项目任务难度。例如，对策略能力突出但技术理解薄弱的学生，系统会在关键技术模块中为其推荐更多技术原理的解读案例与工具实操指导。

课程体系构建了多维评价体系，系统追踪学生在双链知识图谱引导下的能力发展轨迹。过程性评价占总评成绩的50%，具体通过以下方式展开：借助线上随堂测验与认知地图完善率，评估学生对知识点的掌握水平及其知识结构化的能力；通过课程实践环节，考查学生在知识图谱中准确识别并运用核心知识节点间复杂关系的能力；同时，结合团队协作中的角色贡献度，以及其运用知识图谱解决实际问题的表现，开展同伴互评与教师评价，全面衡量学生在项目过程中的参与度与贡献价值。终结性评价同样占总评的50%，内容包括基于知识图谱完成的文献与案例综述的综合课程报告，以及学生在整个课程系列中所完成的个人项目成果作品集。

通过上述设计，静态的“理论－产业”双链知识图谱，得以转化为一个动态的、AI赋能的“教－学－评”一体化循环系统。不仅清晰地规划了学生的学习路径，更通过实时反馈与个性化支持，有效提升了有限课时内的教学效能，为高校培养具备技术建模、商业洞察和伦理素养的复合型人才提供了坚实的理论基础和实施框架。

6 结语

智能广告作为融合新闻传播学、商学、计算机科学与心理学的新兴交叉业态，其发展自然地要求构建跨学科知识图谱，并催生多学科深度对话与有机融合的机制。未来的核心任务，在于将知识图谱置于真实的智能广告教学场景中，开展大规模实证研究与专家加权评估，重点评估其在优化学生认知地图与实现精准资源推荐两方面的效能，并科学量化其对教学效率的实际提升。该知识图谱并非静态的知识库，而是一个与人工智能技术演进及产业模式创新同频共振的“活”系统，其内容与结构亟须建立动态迭代的更新机制，以保持其前沿性与生命力。

基金项目：本研究系国家级一流本科专业建设点（2021）广告学阶段成果，系上海师范大学智能传播教育教学创新实践研究团队（2025）阶段成果。

作者简介

刘彦宏 上海师范大学影视传媒学院广告系副教授、硕士生导师

注释

参考文献