CN101689273A - 用于在线广告的量度转换 - Google Patents

Abstract

已经描述了用于基于预测的数据(例如，预测的转换率)来根据定向CPA竞价估算CPC竞价(eCPC)的方法、系统和计算机程序产品。eCPC参数可以用于开发能够用于在基于CPC为发布者贷记记账的同时基于CPA对广告主计费的模型。

Description

用于在线广告的量度转换

相关申请

本申请要求于2007年5月4日提交的标题为“Metric Conversion ForOnline Advertising(用于在线广告的量度转换)”的美国临时申请No.60/916,260的35 U.S.C.§119的优先权的权益，其全部内容通过引用并入在此。

技术领域

本申请的主题一般地涉及在线广告。

背景技术

交互的媒体(例如，因特网)具有改善将广告(“ad”)定向到受众的巨大的潜力。例如，一些网站提供基于寻找信息的用户输入的关键词的信息搜索功能。该用户查询可以是用户感兴趣的信息类型的指示符。通过比较用户查询和广告主指定的关键词列表，可以向用户提供定向广告。

在线广告的另一种形式是广告聚合(ad syndication)，其允许广告主通过将广告分发到其他伙伴来扩展他们的市场范围。例如，第三方在线发布者可以将广告主的文本或图像广告投放在具有期望内容的web资产上，以促使在线顾客到该广告主的网站。

在一些在线广告系统中，广告主基于每闪现成本(CPM)(例如，每一千次闪现的成本)来进行付费，以增加他们的广告的可见度并且构建他们的广告的品牌意识。广告主可以在每次向消费者示出广告时支付固定的费用。通常针对独立的广告或者广告活动来与每个发布者协商CPM价格，例如，按发布者的销售力或按做广告的产品的价格来进行协商。

考虑到从广告生成的低数目的转换的广告主可以基于每点击成本(CPC)来为他们的广告付费。在每点击成本(CPC)系统中，广告主可以在每次消费者点击广告时支付固定的费用。CPC系统经常与竞价市场相关联，其中，广告主与其他广告主针对点击的成本进行竞价。如今的大多数CPC广告收入来自关键词竞价，其中，广告主为来自附连于特定关键词的广告的点击进行竞价。

在其它在线广告系统中，广告主可以基于效能驱动的每动作成本(CPA)模型来为他们的广告付费，在该模型中，仅对诸如销售或注册的合格的动作付费而不是与达到该销售或注册相关联的市场成本来对广告主计费。

从广告主的观点来看，因为CPA广告可能具有较低的商业风险和较少的无效点击，所以CPA广告有时比CPC广告可取。例如，CPA定价结构不针对没有转换为特定种类的交易的点击来对广告主借记记账，而且可以不容易受到集中于CPC广告的“点击欺诈”的影响。因为经常更加难以准确地对CPM广告进行定价以向广告主反映广告的真实价值，所以CPA定价结构也比CPM定价结构可取。CPM定价的广告还需要由广告主进行持续监视，以便于确定这些广告的商业效果(例如，通过跟踪点击率、点进和点击转换为购买和/或动作的数目)。在CPA广告中不太需要这样的监视。

与广告主不同，发布者更喜欢基于CPC和/或CPM定价结构来得到补偿，以便无论转换的数目如何都生成收入。因而，发布者具有很少的商业动机去参与CPA广告，限制了广告CPA广告的发布者的数目。

发明内容

广告主为与广告相关联的转换事件指定定向竞价(例如，CPA定向竞价或其它定向)。基于用于广告的转换数据(例如，历史转换数据)和闪现场境数据(例如，当前的闪现场境数据)来(例如，根据经验地)确定用于广告的潜在闪现的预测的转换率或值。预测的转换率和定向竞价可以用于估算基于点击的竞价。发布者可以基于估算的基于点击的竞价而得到补偿，而可以使用原始指定的定向竞价来对广告主借记计账。

在一些实施方式中，可以计算校正系数来更好地预测转换率。例如，可以使用补偿在竞价时段内的预测的转换率的偏差错误的迭代过程(例如，通过学习模型)来计算校正系数。迭代过程可以采用历史效能数据来获得精确估算的基于点击的竞价。可以以自适应的方式来自动地调整校正系数，以减轻预测的转换率的变化或波动，以便根据该定向竞价来产生精确估算的基于点击的竞价。

在一些实施方式中，可以在单个竞价时段内多次更新校正系数，或者在多个时段内更新校正系数。该反馈策略可以降低在预测的转换率和实际的转换率之间的任何偏差。

在一些实施方式中，一种方法包括：获得指定与广告相关联的第一量度值的输入；确定用于该广告的潜在闪现的预测的转换率；基于该第一量度值和该预测的转换率来估算第二量度值；基于该第二量度值进行补偿；以及基于该第一量度值进行借记计账。该第一量度值可以是基于每动作成本模型的值，并且该第二量度值可以是基于每点击成本模型的值。替选地，该第一量度值可以是基于每点击成本模型或每动作成本模型中的一个的值，并且该第二量度值可以是基于每闪现成本模型的值。

在另一实施方式中，一种系统包括处理器和计算机可读介质，该计算机可读介质被操作地耦接到处理器。计算机可读介质包括指令，当该处理器执行该指令时，使得该处理器执行以下操作，包括：获得指定与广告相关联的第一量度值的输入；确定用于该广告的潜在闪现的预测的转换率；基于该第一量度值和该预测的转换率来估算第二量度值；基于该第二量度值进行补偿；以及基于该第一量度值进行借记计账。

公开了用于在线广告的量度转换的其它实施方式，包括针对系统、方法、装置、计算机可读介质和用户接口的实施方式。

附图说明

图1是示出在线广告系统的示例的框图。

图2是示出广告管理系统的示例的框图。

图3是示出量度转换过程的示例的流程图。

图4是示出使用校正系数的量度转换过程的示例的流程图。

图5是示出用于图4中所示的广告管理系统的架构的示例的框图，该架构可以被配置成实现图3和图4中所示的过程。

具体实施方式

广告系统概述

图1是示出在线广告系统100的示例的框图。在一些实施方式中，一个或多个广告主102可以直接地或间接地输入、维护和跟踪广告管理系统104中的广告(“ad”)信息。广告可以是图形广告的形式，诸如横幅广告、纯文本广告、图像广告、音频广告、视频广告、组合一个或多个这样的组分中的任意个的广告，等等。广告还可以包括嵌入式信息，诸如链接、元信息和/或机器可执行指令。一个或多个发布者106可以向广告管理系统104提交对于广告的请求。例如，所述广告管理系统104通过向发布者106发送计算机程序代码(例如，JavaScript)来做出响应，该计算机程序代码可以由发布者来执行并且在发布者的web资产(例如，网站及其它网络分发的内容)上作为广告被呈递。

诸如用户108和广告主102的其它实体可以向广告管理系统104提供使用信息，例如，是否已经出现与广告相关的转换或点进。该使用信息可以包括测量到的或观察到的与已经派发的广告相关的用户行为。广告管理系统104执行金融交易，诸如基于该使用信息来为发布者106贷记记账并且对广告主102计费。

计算机网络110，诸如局域网(LAN)、广域网(WAN)、因特网或其组合，连接广告主102、系统104、发布者106和用户108。网络110可以促进在每个实体之间的无线或陆地线路通信。网络110可以是企业或安全网络的全部或一部分。尽管被示作单个网络，但是只要网络110的至少一部分可以促进广告系统管理者104、广告主102、发布者106和用户108之间的广告的通信，在不脱离本公开的范围的情况下，网络110就可以是逻辑上被划分成各种子网的连续网络或虚拟网络。

在一些实施方式中，网络110包括可操作成促进系统100中的各种计算组件之间的通信的任何内部或外部网络、网络、子网络或其组合。网络110可以在网络地址之间传送，例如，网际协议(IP)分组、帧中继帧、异步传输模式(ATM)信元、语音、视频、数据及其他适当的信息。网络110可以包括一个或多个局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)，称为因特网的全球计算机网络的全部或一部分、和/或任何其它通信系统或在一个或多个位置处的系统。

广告管理系统概述

图2是用于实现量度转换的广告管理系统200的实施方式的框图。在一些实施方式中，系统200通常包括学习模型202、web服务器204和广告服务器206。系统200可操作成通过一个或多个网络220(例如，因特网、内联网、以太网、无线网络)来与广告主214、发布者216和用户218进行通信。

在一些实施方式中，发布者216可以请求来自广告服务器206的广告。响应于所述请求，一个或多个广告(例如，图像广告)被发送到所述发布者216。例如，将该广告置投放在发布者216所拥有的或操作的web资产(例如，网站)上。在一些实施方式中，网页可以具有页面内容标识符(ID)，广告服务器206可以使用该页面内容标识符(ID)来确定用于定向广告的广告场境。这些实施方式在希望例如用户218的用户将比非定向广告更加接受定向广告情况下来定向广告。

在一些实施方式中，当用户218点击由广告服务器206派发的广告时，用户218被指向广告主214的web资产(例如，网站)上的着陆页面(landing page)。然后，用户218可以在网站上执行转换事件(例如，进行购买、注册)。转换事件生成转换数据，该数据被发送到系统200并且被存储在储存库(例如，

数据库)中。以该方式，可以为广告主的广告活动中的每个广告或每个广告组来积累和保留转换历史。

在一些实施方式中，广告主214可以使用例如web浏览器(例如，

Internet Explorer、Mozilla^TM、Firefox^TM等等)通过网络220和web服务器204来访问系统200。web服务器204为广告主214派发呈现用户界面的一个或多个网页来允许广告主214管理广告活动。

可以被耦接到广告服务器206和转换数据储存库208的学习模型202可以包括使用统计技术构建的统计和概率模型。这样的技术可以包括，例如，逻辑回归、回归树、提升桩(boosted stump)，或任何其它统计建模技术。如以下参考图3和图4描述的，在一些实施方式中，学习模型202提供可以用于执行量度转换的预测的转换率(“pCVR”)。

在一些实施方式中，转换数据储存库208可以包括一个或多个逻辑或物理存储器设备，该存储器设备被配置成存储可以用于例如创建和训练学习模型202的大的数据集(例如，数百万的实例和几十万的特征)。该数据可以包括转换数据、广告信息，诸如广告数据、用户信息和文档或内容信息，其可以用来创建可以用于确定量度转换率的模型。广告数据可以包括与先前提供给用户218的广告以及用户218是否选择了该广告相关的数据。用户信息可以包括与用户相关联的网际协议(IP)地址、cookie信息、语言和/或地理信息。文档信息可以包括与用户218所访问的文档相关的信息，诸如与该文档相关联的统一资源定位符(URL)。在其它示例性实施方式中，其它类型的数据可以替选地或者额外地由数据储存库来存储。

在一些实施方式中，学习模型202可以包括广告排名模型。广告排名模型可以预测当用户访问文档时是否将选择特定的广告。文档可以包括任何机器可读的和机器可储存的工作产品。文档可以是文件、文件的组合、具有对其它文件的嵌入式链接的一个或多个文件，等等。文件可以是任何类型的，诸如文本、音频、图像、视频等等。呈递给最终用户的文档的各部分可以被认为是该文档的“内容”。文档可以包括“结构化数据”，该“结构化数据”包含内容(词、图片等等)和该内容的含义的一些指示(例如，电子邮件字段和关联数据、HTML标签和关联数据等等)二者。在文档中的广告位可以通过嵌入式信息或指令来定义。在因特网的场境中，常见的文档是网页。网页经常包括内容，并且可以包括嵌入式信息(诸如元信息、超链接等等)和/或嵌入式指令(诸如

等等)。在很多情况下，文档具有唯一的、可寻址的存储位置，并且因此可以由该可寻址的位置来唯一地识别。

广告排名模型可以被用作功能的一部分来确定当用户218正在访问文档时提供给该用户什么广告。为了促进为广告排名模型进行使用而生成数据，可以收集与用户和用户访问的文档有关的信息。如以上所讨论的，关于用户的信息可以包括IP地址、cookie信息、语言、地理信息，并且文档信息可以包括与用户访问的文档相关的信息(例如，由用户访问的网站的URL)。然后，可以至少部分地基于由学习模型202存储的数据来对存储在广告储存库210中的广告进行排名。在一些情况下，广告的排名可以与当用户访问特定的文档时将选择该广告的可能性相对应。然后，每个广告可以基于各自的排名被派发给用户。例如，可以将前一个或多个广告派发给用户218。替选地，具有高于预定阈值的排名的广告可以被派发给用户218。

在用户218访问的文档内的广告的位置还可以至少部分地基于广告的排名。例如，可以将较高排名的广告置于比较低排名的广告更为突出的或者视觉可识别的位置。无论用户是否选择了该广告，呈现给用户的广告以及当与该广告一起呈现给用户时用户所访问的文档都可以被转发给广告排名模型以创建经验模型，以便改善广告排名。

广告活动、广告时隙和广告投放竞价

返回参考图1，每个广告主102都可以通过广告管理系统104来建立广告程序。广告程序可以包括，例如，广告活动、创意、定向等等。广告主102可以定义“广告活动”，“广告活动”可以包括一个或多个广告组，每个广告组包括一个或多个广告。广告组可以定义，例如，产品类型(例如，帽子或者短裤)，并且创意可以包括文本地或者图形地定义产品类型的广告。每个广告组或者每个广告可以包括开始日期、结束日期、预算信息、地理定向信息和聚合信息。

每个广告或者广告组可以包括独立价格信息(例如，成本、平均成本、或者最大成本(每闪现、每选择、每转换等等))。例如，广告主102可以利用广告管理系统104来指定关于广告主102愿意为每用户点击、每广告或者每广告组的闪现或者转换支付多少钱的最大货币值。最大货币值可以基于响应于广告而生成的闪现的数目(例如，CPM竞价)、点击广告的数目(例如，CPC竞价)或者转换的数目(例如，CPA竞价)。例如，如果广告主102已经选择了CPC竞价模型，则广告主102可以输入最大CPC竞价，其表示当与广告组相关联的广告接收到点击时广告主102愿意支付的最高数额。如另一示例，如果广告主102已经选择了CPA竞价模型，则广告主102可以输入最大CPA竞价，其表示当与该广告组相关联的广告生成转换时广告主愿意支付的最高数额。基于定义的竞价模型，可以为发布者106进行贷记记账并且可以相应地对广告主102进行借记记账。

当接收广告请求时，识别与接收到的广告请求相对应的广告。如果已经识别了多于一个的广告，则可以进行拍卖以识别要派发哪个广告。在拍卖期间，可以根据一个或多个关联的广告活动参数来对广告进行排名。一个或多个广告活动参数可以包括但不限于，默认竞价(例如，CPC、CPA或者CPM竞价)、由广告主102定义的每日预算(例如，在注册广告活动的时候)以及可以通过各种的方法确定的广告的相关性，诸如通过推断广告关于例如特定的关键词查询的高相关性。

在拍卖之前或者在注册广告活动的时候，广告主102可以定义广告活动参数或者用于对广告进行排名的拍卖系数。例如，广告主可以输入用于每个广告组的最大CPM、CPC或者CPA竞价。广告主102还可以使用广告组内最大CPM、CPC和CPA竞价的组合。例如，广告主可以提交用于关键词定向的投放的最大CPC竞价和用于站点定向的投放的最大CPM竞价。

在一些实施方式中，对定义的广告活动参数或者拍卖系数进行排名。例如，广告管理系统104可以从最高到最低地选择广告主的默认竞价，并且从最高到最低地对广告主的默认竞价进行排名。如另一实例，可以从最大到最小地对诸如点进率(CTR)和转换率(CVR)的拍卖系数进行排名。

点进率(CTR)是用于确定广告质量或广告效果的一种度量。CTR表示当向用户呈现给定的广告创意时给定的广告得到“点击”的次数的分数。点进广告可以激活功能，诸如，将浏览器重新指向由广告主提供的着陆页面或网页。广告的CTR可以被确定为识别当该广告被呈现时，该广告被访问的频率。可以通过与该广告相关的点进数目除以在给定时间段内的广告的闪现数目来计算广告的CTR。

认为“转换”是在当用户完成与先前派发的广告相关的交易时出现。构成转换的事件可以根据情况而不同，并且可以用许多方式来确定。例如，可以是下述情况，当用户点击广告、引用广告主的网页并且在离开该网页之前完成购买时发生转换。替选地，转换可以被定义为向用户示出广告，并且该用户在预定时间(例如，七天)内在广告主的网页上进行了购买。构成转换的事件的许多其它定义也是可能的。例如，转换还可以包括注册为网站的会员、填写在线表格、当经由在线创意与广告主接触时进行购买等等。

一般说来，广告的转换的数目与广告的点击的数目的比通常被认为是转换率。在一些实施方式中，转换率可以被定义为：

还可以对广告活动参数或拍卖系数进行加权，以增加或者减少拍卖系数对广告排名的影响。例如，即使具有较低CTR的广告大于等于默认的竞价，具有较高CTR的广告也可能被排名在具有较低CTR的广告以上。

在产生用于对每个广告进行排名的加权分值中，在各种拍卖系数之间的权重可以按需要进行调整，并且还可以包括其它系数。基于在拍卖期间确定的排名(以及由于加权的分值而导致的其任何调整)，可以选择识别的广告来进行呈现。例如，如果要在具有每个位显示一个广告的四个广告位的网页中呈现该识别的广告，则可以选择四个最高排名的广告来进行呈现。而且，在拍卖期间建立的排名可以用于确定显示顺序。例如，排名最高的广告可以被指派到最突出的显示位置。

举例来说，假定在对广告位中的广告投放的拍卖竞价中有三个广告主，其中，广告主“A”具有用于文本广告的最大CPC竞价$0.75，广告主“B”具有用于文本广告的最大CPC竞价$0.50，并且广告主“C”具有用于文本广告的最大CPC竞价$1.00，那么可以通过将最大CPC竞价转换为估算的CPM(“eCPM”)水平并且将该结果与CPM竞价进行比较来确定拍卖的优胜者。可以通过使CPC竞价与乘以1000的预测的点进率(pCTR)相乘来将最大CPC竞价转换成eCPM，通常可以由[2]给出：

eCPM_CPC＝1000*pCTR*CPC_BID  [2]

CPC竞价的结果乘以系数1000，以便将CPC竞价和pCTR的乘积泛化为每一千闪现的成本价值。在一些实施方式中，可以使用历史数据(例如，点进数据)由学习模型202导出pCTR。

在其中广告主(广告主“A”、广告主“B”和广告主“C”)中的任何一个定义最大CPM竞价而非最大CPC竞价的实施方式中，则eCPM与CPM竞价相同，通常可以由[3]给出：

eCPM_CPM＝CPM_BID    [3]

等式[3]提供了估算的CPM等于广告主指定的CPM竞价。例如，如果广告主指定每千次闪现CPM竞价$5，那么eCPM也是$5。

在一些实施方式中，广告管理系统104可以向广告主102提供推荐的CPA竞价。广告主102可以使用该推荐的CPA竞价作为广告主的广告组的每一个的定向CPA竞价，而不是最大CPC竞价或最大CPM竞价。通常，因为CPA定价模型仅仅为转换的点进对广告主借记记账，所以相比最大CPC竞价和最大CPM竞价，广告主更喜欢选择定向CPA竞价。

为了根据定向CPA竞价来计算eCPM，应当理解，可以根据当前CPC竞价和转换率来定义定向CPA竞价。举例来说，如果广告主当前具有最大CPC竞价$0.30和点进的转换率5％，则定向CPA竞价将是$6.00($6.00＝$0.30/5％)。实际上，广告主的最大CPC竞价通常根据广告并且根据单个广告的关键词而不同。在这样的情况下，可以使用以下公式来计算定向CPA竞价：

其中[4]的分子是在相关时间段(例如，在过去的月中)期间广告主接收到的全部点击中“N”个最大CPC竞价的和，并且[4]的分母是由这些点击引起的“M”个转换的总数目。当上面的实施方式涉及最大CPC竞价、诸如定向CPC竞价的其它CPC竞价时，还考虑平均CPC竞价和最小CPC。

在一些实施方式中，广告主214可以指定在广告活动中用于每个关键词或广告组的默认的基于点击的竞价(例如，最大CPC)和定向竞价(例如，定向CPA竞价)二者。当转换数据208不可用于或不足以这样做(例如，由于新的广告或广告组)时，默认最大CPC竞价可以用于预测广告或广告组的转换率。例如，可以通过默认最大CPC竞价除以定向CPA竞价来估算转换率。替选地，当没有足够的信息来这样做时，默认最大CPC竞价可以被用做默认值，而无需预测转换率。

在一些实施方式中，可以由广告服务器206将广告主214指定的定向竞价提供给学习模型204，其中，定向竞价可以与预测的转换率组合，以产生新的或调整的最大CPC竞价。例如，学习模型202可以用于通过收集用于感兴趣的每个闪现场境特征的点击和转换的数目来计算用于潜在的广告闪现的pCVR。如以上讨论的，转换率定义了广告的转换的数目(例如，由给定的广告生成的销售的数目)与点击广告的数目(即，来自广告的对广告主的web资产访问的数目)的比。因此，可以基于在预测转换率中使用的这些数目来计算统计量。一旦确定了pCVR，该参数就可以与定向竞价一起使用(例如，乘以定向竞价)，以自动地调整广告主的默认的基于点击的竞价(例如，最大CPC竞价)或计算新的基于点击的竞价。

在一些实施方式中，学习模型202是包括用于将闪现场境特征映射到转换率预测的规则的机器学习系统模型。该规则可以包括，例如，用于每个场境特征的概率乘数。例如，可以将概率乘数0.85指派给来自美国的用户，并且可以将概率乘数1.1指派给在特定的新闻网站上出现的广告。为了预测转换率，可以使默认转换率与每个相关特征的概率乘数相乘。使用以上示例，对于在特定的新闻网站上向来自美国的用户示出的具有0.2％的默认转换率的广告，所述广告的预测的转换率可以是0.187％(0.2％*1.1*0.85)。

在一些实施方式中，pCVR可以用于计算或调整广告主的基于点击的竞价(例如，最大CPC竞价)。例如，如果广告主指定的定向CPA竞价是$50并且预测的转换率是2％，那么可以使用以下公式来将最大CPC竞价自动地调整为$1：

最大CPC(调整的)＝CPA_BID*pCVR    [5]

如果没有足够的转换数据可用于计算pCVR，那么广告主的指定的默认最大CPC竞价可以被用做量度，直到已经收集到了用于该广告的足够的转换数据，这时[5]可以用于自动地计算或调整最大CPC竞价。在广告活动的过程中，转换数据208(以及可选地学习模型202)可以随着积累更多数据而逐渐地改变，同时闪现场境根据拍卖而变化。这些变化可以导致新的pCVR的计算。然后，新的pCVR可以用于[5]“运行态(on-the-fly)”，使得可以在广告活动或拍卖期间自动地和连续地计算或调整广告主的默认最大CPC竞价。

基于[5]，可以根据预测的点进率(pCTR)、预测的转换率和定向或最大CPA竞价来计算期望的CPM。该期望的CPM可以用于使用适当的量度来确定在对广告效果进行排名的广告拍卖中的优胜竞价。例如，广告的效能可以通过广告的每一千次闪现的估算或有效成本(eCPM)来测量。也就是说，广告的效能可以通过向用户一千次呈现广告所生成的收入数额来测量。可以通过用[5]中定义的CPC竞价替换[2]中的项CPC_BID以产生[6]来根据定向CPA竞价计算eCPM。

eCPM_CPA＝1000*pCTR*pCVR*CPA_BID    [6]

等式[6]定义了可以利用广告主214指定的CPA竞价来针对每个转换对发布者216贷记记账。虽然等式[6]通过指定CPA定价模型减少了广告主的风险，但是发布者并没有充分利用和支持该方法。具体地，如果只有在转换发生时才补偿发布者，那么与基于点击或闪现的数目来补偿发布者相比，发布者承担额外的商业风险。即使在合计中在两种模型中对发布者的支付净额是相同的(按转换得到补偿或按点击的数目得到补偿)，因为CPC或CPM定价模型涉及的低可变性，发布者更喜欢基于点击的数目得到补偿。相应地，在一些实施方式中，可以基于预测的数据(例如，预测的转换率)来根据定向CPA竞价确定估算的CPC竞价(eCPC)。eCPC参数可以用于开发能够用于在基于CPC来在为发布者贷记记账的同时基于CPA对广告主计费的模型。

为了计算用于CPC广告的eCPC，应当理解，eCPC指示有效的或估算的CPC竞价。在理想市场中，有效的或估算的CPC竞价应当是广告主指定的实际CPC竞价。给定该关系，如在等式[2]中定义的CPC竞价项可以被当作eCPC：

eCPM_CPC＝1000*pCTR*CPC_BID    [7]

eCPM_CPC＝1000*pCTR*eCPC      [8]

基于等式[6]，可以如下确定在等式[8]中定义的eCPC：

$\mathrm{eCPC}=\frac{{\mathrm{eCPM}}_{\mathrm{CPC}}}{1000*\mathrm{pCTR}}---\left[9\right]$

eCPC＝pCVR*CPA_BID    [10]

等式[10]允许发布者216根据点击得到补偿，同时根据转换对广告主214借记记账。简而言之，可以实时地估算CPA广告，以确定在派发时间时等价的CPC广告。当用户点击广告时，实时地接收与点击(及其转换数据)相关联的数据。无论用户是否将要转换，发布者都可以按点击的数目得到补偿，而广告主214可以按转换被计费。因为发布者除了在CPC定价模型中所需要的之外不承担任何额外的风险或者责任，所以该方法有效地引起发布者参与CPA广告的动力，这将导致向用户218派发额外的CPA广告。因为只有在生成转换时CPA广告才对广告主借记记账，所以该方法也明显对广告主有利，并且防止针对没有生成交易的闪现或点击对广告主计费。

在理想pCVR的情况下，希望为发布者贷记记账的费用应该与对广告主计费的费用相同。然而，在预测状况可能改变的实际的实施方式中，通过学习模型202计算的pCVR可以不总是精确的。状况可以包括各种因素，例如，不足的或不一致的转换数据。在一些情况下，这些因素可能使得pCVR过预测(over-predict)或欠预测(under-predict)转换率。不准确可以导致在发布者生成的收入(即，eCPC)之间的偏差。例如，如果pCVR被过预测(例如，从0.1％到0.2％)，那么可能针对每个显示的广告来以比实际成本更高的每点击成本对发布者进行贷记记账。如另一实例，如果pCVR被欠预测(例如，从0.1％到0.05％)，则可能使用比在指定定价模型下接收到的数额更低的数额来补偿发布者。

为了补偿该pCVR偏差，在一些实施方式中，可以计算适应于预测的转换率的偏差或波动的校正系数γ可以并且将其并入[10]。具有校正系数γ的eCPC通常可以由[11]给出：

$\mathrm{eCPC}=\mathrm{pCVR}*{\mathrm{CPA}}_{\mathrm{BID}}*\frac{1}{\mathrm{\γ}}---\left[11\right]$

在一些实施方式中，可以使用迭代过程(例如，反馈环)(例如，通过学习模型202)来计算[11]中的校正系数γ，该迭代过程补偿在竞价时段内的pCVR偏差错误。迭代过程可以采用历史效能数据来获得精确的eCPC。可以以自适应的方式自动地调整校正系数γ，以减轻预测的转换率的变化或波动，以便根据CPA竞价得出精确估算的CPC。

在一些实施方式中，可以执行迭代，直到校正系数达到预定值、动态确定的值、或其它最优值。在某些实施方式中，在执行迭代之前，诸如在执行阈值数目的迭代之前，可以(例如，通过学习模型202)估计校正系数。在其它实施方式中，如果在特定的迭代之后校正系数改变了小于阈值的量，那么不再执行其他迭代。

在一些实施方式中，可以在单个竞价时段内多次更新校正系数γ，或者在多个时段内更新校正系数γ。该反馈策略可以平衡任何pCVR偏差。例如，如果确定了在给定的竞价时段内的pCVR过预测了实际的转换率，那么可以在随后的竞价时段中以抵消由过预测引起的差异的方式(例如，通过递增或递减校正系数γ以等于过预测的CVR)来调整校正系数γ。类似地，如果确定了在给定的竞价时段内的pCVR欠预测了实际的转换率，那么可以在随后的竞价时段中以抵消由欠预测所引起的差异的方式(例如，通过递增量或递减校正系数γ以等于欠预测的CVR)来调整校正系数γ。

在一些实施方式中，校正系数γ通常可以被定义为：

$\mathrm{\γ}=\frac{{\mathrm{\α}}_{(\mathrm{CPC},t)}}{{\mathrm{\β}}_{(\mathrm{CPA},t)}}---\left[12\right]$

其中， ${\mathrm{\α}}_{(\mathrm{CPC},t)}=\underset{t}{\mathrm{\Σ}}$ 基于CPC为CPA广告向发布者支付的数量

并且， ${\mathrm{\β}}_{(\mathrm{CPA},t)}=\underset{t}{\mathrm{\Σ}}$ 对于CPA广告上的转换从广告主收取的数量

参数α_(CPC，t)定义了在竞价时段“t”内对发布者支付的合计总额，并且参数β_(CPA，t)定义了在竞价时段“t”内对广告主计费的合计总额。竞价时段“t”可以包括数据，诸如竞价时段的开始和结束的时间，并且可以根据闪现或点击数目来进行定义。例如，竞价时段“t”可以具有10个转换或100次点击)的阈值。如另一示例，竞价时段“t”可以具有50个转换或500次点击的阈值。在一些实施方式中，竞价时段“t”的值可以被调整为允许参数α_(CPC，t)和β_(CPA，t)的稳定性。

参数α_(CPC，t)andβ_(CPA，t)可以基于在竞价时段“t”内增加的点击数、闪现数和成本。在一些实施方式中，这些数据可以被存储在转换数据储存库208中。一般说来，每个竞价时段“t”与两个竞价更新之间的时间间隔相对应。然而，一些间隔可以不包含，例如，足够的转换数据来可靠地计算校正系数γ(例如，没有达到对于每500次点击的5000次闪现的预定阈值)。因此，在一些实施方式中，多个连续的时段可以被合计为单个竞价时段。在其它实施方式中，校正系数γ可以默认为1，并且一旦达到数据阈值，就可以被调整或者重新评估，注意，平均来说，校正系数γ可以随着广告主和发布者的数目增加(例如，当该数目接近一百万以上)而接近1，这意味着对发布者的付费与从广告主收取的费用是相同的。在一些实施方式中，该费用可以是预收入分成，并且可以遵循与广告管理系统104商定的任何费用。

在设置初始pCVR之后，校正系数γ可以被周期地更新，以补偿潜在的pCVR偏差并且获得用于下一个时间段(例如，一小时、一天、一周等等)的精确的eCPC。用于确定预定时段“t”的校正系数γ的数据可以来自各种源。例如，当确定参数α_(CPC，t)和β_(CPA，t)时，可以由广告主提供广告的每转换的收入、定价模型和竞价以及点进率，而转换率信息可以通过广告管理系统104来跟踪。

其间这些参数被测量的竞价时段“t”可以根据经验来确定，或者基于历史数据来确定。举例来说，假定在七天内接收和记录(以及从学习模型202中学习)了与转换相关联的转换数据，那么根据经验的竞价时段可以被设置为七天来允许以参数α_(CPC，t)和β_(CPA，t)反映转换数据。在一些实施方式中，可以经常地或周期地调整竞价时段“t”，以确保降低参数β_(CPA，t)和α_(CPC，t)之间的差值。在另一个实施方式中，可以选择竞价时段“t”来确保有效的数据量可用于确定参数α_(CPC，t)和β_(CPA，t)。

当参数β_(CPA，t)和α_(CPC，t)在数学上是相等的(即，指示基于CPA定价模型的从广告主接收到的费用数额也是基于CPC向发布者支付的期望的数额)时，那么等式[12]将得出校正系数γ为1。在该情况下，eCPC可能等于预测的转换率pCVR乘以广告主指定的CPA竞价，表示了向发布者支付的数额与对广告主计费的数额一致。

当参数α_(CPC，t)大于β_(CPA，t)时，那么校正系数γ大于1。在该情况中，基于CPC支付给发布者的费用数额大于基于CPA定价模型从广告主收取的费用。因而，在随后的竞价时段中，可以通过项1/γ来校正eCPC，使得eCPC变得小于先前的竞价时段以补偿对发布者的超额费用。

当参数α_(CPC，t)小于β_(CPA，t)时，那么校正系数γ小于1。在该情况中，基于CPA定价模型从广告主收取的费用大于基于CPC支付给发布者的费用数额，其指示支付给发布者的费用少于在传统的CPA模型下可能已经收取的费用。因而，在随后的竞价时段中，eCPC可以通过项1/γ来校正eCPC，使得eCPC变得大于先前的竞价时段，以补偿对发布者的不足费用。

虽然上面的实施方式是关于根据定向CPA竞价估算CPC来进行描述的，但是其它实施方式也是适用的。例如，还考虑关于根据定向CPC竞价(例如，基于CPC对广告主计费)来估算CPM(例如，基于CPM为发布者贷记记账)的实施方式。在这些实施方式中，可以用定向CPC竞价来替换定向CPA竞价以计算估算的CPM。如另一示例，可以基于CPA或CPC来对广告主计费，同时可以基于CPM来为发布者贷记记账。在该示例中，广告主可以利用广告管理系统来指定关于广告主愿意为响应于广告或者广告组的每用户点击或者每转换支付多少钱的最大货币值。可以根据该CPC或CPA值来计算期望的CPM。期望的CPM可用于确定用于补偿关联发布者的相应的贷记额。

一般说来，如在此描述的量度转换系统可以确保在根据经验确定的竞价时段“t”中，支付给发布者的数额和向广告主计费的数额的差将小于预定值。系统还确保在竞价时段“t”中，支付给发布者的数额和向广告主计费的数额将不会以大于预定值偏离。

示例性过程

图3是示出量度转换过程300的示例的流程图。例如，可以通过系统100或200来执行该过程300，并且为了呈现的明确，下面的描述使用这些作为描述该过程300的示例的基础。然而，另一个系统、系统的组合，可以被用于执行该过程300。

如图所示，该过程300从获得定向CPA竞价和转换率(302)开始。定向CPA竞价可以是广告主指定的最大CPA竞价。替选地，推荐的CPA竞价可以由广告管理系统104来提供，并且被用作定向CPA竞价。在一些实施方式中，定向CPA竞价可以是广告主指定的平均CPA竞价。在另一个实施方式中，定向CPA竞价可以是广告主指定的最小CPA竞价。

可以基于实际的转换率来确定转换率。替选地，可以基于预测的数据来确定转换率。

基于定向CPA竞价和转换率，可以估算CPC(304)。可以基于估算的CPC为发布者贷记记账(306)，并且可以如先前指定的定向CPA竞价所指定的对广告主借记记账(308)。

可以以列出的顺序、并行地(例如，通过相同的或不同的过程、实质上或者以其它方式非串行地)、或者以相反的顺序来执行操作302-308以实现相同的结果。在另一个实施方式中，可以以示出的顺序之外的顺序来执行操作302-308。例如，基于定向CPA竞价来对广告主借记记账(308)，然后基于估算的CPC(306)补偿发布者。

图4是示出量度转换过程400的示例的流程图。例如，可以通过系统100或200来执行该过程400，并且为了呈现的明确，下面的描述使用这些作为描述过程400的示例的基础。然而，另一个系统，或系统的组合，可以被用于执行该过程400。

过程400从接收指定用于给定关键词或广告组的定向竞价的广告主输入(402)开始。在一些实施方式中，定向竞价可以包括最大货币值。最大货币值可以基于响应于广告而生成的闪现的数目、点击广告的数目或转换的数目。

然后，过程400继续进行验证转换数据的可用性(404)。转换数据可以包括但不限于，与闪现的数目、点进的数目和点击广告的数目相关联的数据。转换数据可以被用于确定校正系数。

在一些实施方式中，校正系数可以适应于转换数据的偏差或波动。如果转换数据是不可用的，或者如果转换数据是可用的但是不足以确定校正系数(操作404的“否”分支)，那么可以使用默认校正系数(406)。例如，如果没有足够的可用转换数据，则可以将值为1的校正系数用作默认值。在广告活动的过程中，转换数据可以随着更多数据的累加而逐渐变化。在该情况下，一旦已经达到转换数据阈值，就可以调整或重新评估默认校正系数。当足够的转换数据变得可用时，(操作404的“是”分支)，可以确定校正系数。可以基于为发布者贷记记账的费用数额和从发布者收取的费用数额来计算校正系数。

在一些实施方式中，可以使用迭代过程来根据经验计算校正系数。在这些实施方式中，迭代过程可以采用历史效能数据来根据CPA竞价得出精确估算的CPC。

在其它实施方式中，在执行迭代之前，诸如在执行阈值数目的迭代之前，可以(例如，通过学习模型202)估计校正系数。在其它实施方式中，如果在特定的迭代之后校正系数改变了小于阈值，那么不再执行其他迭代。

在一些实施方式中，可以在单个竞价时段内多次更新校正系数γ，或者在多个时段内更新校正系数γ。

在一些实施方式中，可以根据第一参数α_(CPC，t)和第二参数β_(CPA，t)来定义校正系数，第一参数α_(CPC，t)定义了在竞价时段“t”内对发布者支付的合计总额，第二参数β_(CPA，t)定义了在竞价时段“t”内对广告主计费的合计总额。竞价时段“t”可以包括数据，诸如竞价时段开始和结束的时间，并且可以根据闪现或点击的数目进行定义(例如，竞价时段“t”具有每100次点击1个转换的阈值)。参数α_(CPC，t)和β_(CPA，t)可以基于竞价时段“t”内增长的点击数、闪现数和成本。一般说来，每个竞价时段“t”与两个竞价更新之间的时间间隔相对应。

然后，过程400继续使用转换数据来预测转换率(410)。在一些实施方式中，转换数据可以包括与广告主或者广告管理系统指定的默认CPC竞价和定向CPA竞价相关联的数据。在这些实施方式中，可以通过默认CPC竞价除以定向CPA竞价来估算转换率。替选地，默认最大CPC竞价可以被用做默认值，而无需预测转换率。

在另一个实施方式中，可以通过收集关于先前的转换率的历史数据的机器学习模型来预测转换率。

过程400以使用校正系数、预测的转换率和定向竞价来计算或调整发布者的补偿(412)结束。在一些实施方式中，在预测转换率之后，可以周期地更新校正系数以补偿在预测的转换率中潜在的偏差，以便减少定向竞价(例如，定向CPA竞价)和(例如，基于CPC)为发布者计算或调整的补偿之间的任何差。

广告管理系统架构

图5是示出用于图2中所示的广告管理系统200的示例性架构500的框图，其可以被配置成执行图3和图4中所示的过程300和400。

在一些实施方式中，该架构500包括一个或多个处理器502(例如，双核

处理器)；一个或多个储存库504、509；一个或多个网络接口508；可选的管理计算机506和一个或多个计算机可读介质510(例如，RAM、ROM、SDRAM、硬盘、光盘、闪速存储器等等)。这些组件可以通过一个或多个通信信道512来交换通信和数据，其可以包括各种公知的网络设备(例如，路由器、集线器、网关、总线)和软件(例如，中间件)，用于促进在设备之间传送数据和控制信号。

术语“计算机可读介质”指参与向处理器502提供用于执行的指令的任何介质，包括但不限于，非易失性介质(例如，光盘或磁盘)、易失性介质(例如，存储器)和传输介质。传输介质包括但不限于，同轴电缆、铜线和光纤。传输介质还可以采取声波、光波或射频波的形式。

计算机可读介质510进一步包括操作系统514(例如，Linux服务器、Mac

服务器、

NT服务器)、网络通信模块516、广告管理模块518和支付系统528。

操作系统514可以是多用户的、多进程的、多任务的、多线程的、实时的等等。操作系统514执行基本的任务，包括但不限于：识别来自管理计算机506的输入并且向管理计算机506提供输出；保持跟踪计算机可读介质510(例如，存储器或存储设备)上的文件和目录；控制外围设备(例如，储存库504和509)；以及管理在一个或多个通信信道512上的业务。

网络通信模块516包括用于建立和维持网络连接的各种组件(例如，用于实现诸如TCP/IP、HTTP、以太网等的通信协议的软件)。

广告管理模块518包括广告服务器520和web服务器522。广告管理模块518进一步包括学习模型524。可以以类似于学习模型202的方式执行和操作学习模型524。广告服务器520可以是负责向发布者web资产派发广告并且跟踪与广告投放相关的各种信息(例如，cookies、用户URL、页面内容、地理信息)的服务器进程或专用机器。web服务器522(例如，Apache网页服务器)向广告主和发布者派发网页，并且提供装置，该装置用于广告主和发布指定由学习模型524使用的定向每动作成本，以动态地计算或调整广告主的基于点击的竞价(例如，最大的CPC竞价)或其它效能量度。

广告储存库504可以包括各种广告，所述广告包括但不限于，图像广告、文本链接、视频和可以投放在发布者网页上和可以互动以促使用户到广告主的资产的任何其它内容。

转换数据储存库509可以用于存储与广告或广告组相关联的转换数据。转换数据可以由学习模型524使用，以生成用于给定的广告或广告组的预测的转换率。

支付系统528负责实现支付过程，由此广告主向发布者付费。支付过程可以完全地或部分地自动进行，并且可以将人为干预在一个或多个点包括在支付过程中。

所公开的实施例可以在计算系统中被实现，该计算系统包括后端组件，例如，数据服务器；或者包括中间件组件，例如，应用服务器；或者包括前端组件，例如，具有用户可以通过其与在此公开的实施方式交互的图形用户界面或web浏览器的客户端计算机；或这样的后端、中间件、或前端组件的任何组合。可以通过任何形式或者数字数据通信的介质，例如，通信网络，来互联该系统的组件。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)，例如，因特网。

计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离，并且通常通过通信网络进行交互。客户端和服务器的关系依靠在各自的计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。

然而，本说明书包括许多细节，这些不应该被解释为对要求保护或者可能要求保护的范围的限定，而应该被解释为是特定于特定实施例的特征的描述。还可以结合单个实施例来实现在单独实施例的场境中的本说明书中描述的某些特征。相反地，在单个实施例的上下中所描述的各种特征还可以在多个实施例中单独地被实现，或者在任何适当的子组合中被实现。此外，虽然以上特征可以被描述为在某些组合中进行，并且如此初始地要求保护，但是在一些情况下可以从组合中除去来自要求保护的组合的一个或多个特征，并且要求保护的组合可以针对子组合或者子组合的变体。

类似地，虽然以特定的顺序在附图中描绘了操作，但是这不应该被理解为这样的操作必需以示出的特定顺序或顺序地被执行，或者必需执行的全部说明的操作，来以实现期望的结果。在某些环境中，多任务和并行处理可能是有利的。此外，在如上所述实施例中的各种系统组件的分离不应该被理解为在全部实施例中都需要这样的分离，并且应当理解，描述的程序组分和系统通常可以在单个软件产品中被整合到一起或打包为多个软件产品。

已经描述了本发明的很多实施例。然而，应该理解，在不脱离本发明的精神和范围的情况下，可以做出各种的修改。

Claims (26)

1.一种方法，包括：

获得指定与广告相关联的第一量度值的输入；

确定用于所述广告的潜在闪现的预测的转换率；

基于所述第一量度值和所述预测的转换率来估算第二量度值；

基于所述第二量度值进行补偿；以及

基于所述第一量度值进行借记记账。

2.根据权利要求1所述的方法，其中，所述第一量度值和所述第二量度值基于不同的竞价模型。

3.根据权利要求2所述的方法，其中，所述竞价模型包括每动作成本模型、每点击成本模型和每闪现成本模型。

4.根据权利要求2所述的方法，其中，所述第一量度值是基于每动作成本模型的值，并且所述第二量度值基于每点击成本模型。

5.根据权利要求2所述的方法，其中，所述第一量度值是基于每点击成本模型或每动作成本模型中的一个的值，并且所述第二量度值基于每闪现成本模型。

6.根据权利要求2所述的方法，其中，确定预测的转换率包括：使用学习模型将一个或多个闪现场境特征映射到所述预测的转换率。

7.根据权利要求6所述的方法，其中，所述学习模型是机器学习系统模型，所述机器学习系统模型包括用于将所述一个或多个闪现场境特征映射到所述预测的转换率的预定规则。

8.根据权利要求6所述的方法，其中，所述学习模型是使用转换数据来构造的。

9.根据权利要求2所述的方法，其中，估算所述第二量度值包括所述第一量度值乘以所述预测的转换率。

10.一种方法，包括：

接收指定用于与在线广告相关联的转换事件的第一量度值的广告主输入；

基于历史数据来确定用于所述广告的潜在闪现的预测的转换率；

确定用于所述预测的转换率的校正系数；以及

使用所述第一量度值、所述预测的转换率和所述校正系数来自动地计算第二量度值。

11.根据权利要求10所述的方法，其中，确定校正系数包括：

在竞价时段内监视与所述预测的转换率相关联的偏差错误；以及

在随后的竞价时段中自动地更新所述校正系数。

12.根据权利要求11所述的方法，其中，更新所述校正系数包括：递增或递减所述校正系数以平衡所述偏差错误。

13.根据权利要求10所述的方法，其中，所述校正系数包括：

第一参数，所述第一参数指示在竞价时段内支付给发布者的合计总数；以及

第二参数，所述第二参数指示在所述竞价时段内从广告主收取的合计总数。

14.根据权利要求13所述的方法，其中，所述第一参数和所述第二参数基于在所述竞价时段中增长的点击数、闪现数或成本中的一个。

15.根据权利要求13所述的方法，进一步包括：

选择所述竞价时段，使得最佳数据能够用于确定所述第一参数和所述第二参数。

16.根据权利要求13所述的方法，其中，计算第二量度值包括：如果所述第一参数大于或小于所述第二参数，则通过在随后的竞价时段中调整所述校正系数来校正第二量度值。

17.根据权利要求13所述的方法，其中，调整所述校正系数包括：

调整所述竞价时段，使得最佳地降低所述第一参数和所述第二参数之间的差值。

18.根据权利要求10所述的方法，其中，计算第二量度值包括：将所述第一量度值乘以所述预测的转换率和所述校正系数。

19.根据权利要求10所述的方法，其中，所述第一量度值是基于每动作成本模型的值，并且所述第二量度值基于每点击成本模型。

20.根据权利要求10所述的方法，其中，所述第一量度值是基于每点击成本模型或每动作成本模型中的一个的值，并且所述第二量度值基于每闪现成本模型。

21.一种系统，包括：

处理器；

计算机可读介质，所述计算机可读介质被操作地耦接到所述处理器，并且包括指令，当所述处理器执行所述指令时，使得所述处理器执行以下操作，包括：

获得指定与广告相关联的第一量度值的输入；

确定用于所述广告的潜在闪现的预测的转换率；

基于所述第一量度值和所述预测的转换率来估算第二量度值；

基于所述第二量度值进行补偿；以及

基于所述第一量度值进行借记记账。

22.一种系统，包括：

处理器；

计算机可读介质，所述计算机可读介质被操作地耦接到所述处理器，并且包括指令，在所述处理器执行所述指令时，使得所述处理器执行以下操作，包括：

接收指定用于与在线广告相关联的转换事件的第一量度值的广告主输入；

基于历史数据来确定用于所述广告的潜在闪现的预测的转换率；

确定用于所述预测的转换率的校正系数；以及

使用所述第一量度值、所述预测的转换率和所述校正系数来自动地计算第二量度值。

23.一种计算机可读介质，在所述计算机可读介质上存储有指令，在处理器执行所述指令时，使得所述处理器执行以下操作，包括：

获得指定与广告相关联的第一量度值的输入；

确定用于所述广告的潜在闪现的预测的转换率；

基于所述第一量度值和所述预测的转换率来估算第二量度值；

基于所述第二量度值进行补偿；以及

基于所述第一量度值进行借记记账。

24.一种计算机可读介质，在所述计算机可读介质上存储有指令，在处理器执行所述指令时，使得所述处理器执行以下操作，包括：

处理器；

计算机可读介质，所述计算机可读介质被操作地耦接到所述处理器，并且包括指令，在所述处理器执行所述指令时，使得所述处理器执行以下操作，包括：

接收指定用于与在线广告相关联的转换事件的第一量度值的广告主输入；

基于历史数据来确定用于所述广告的潜在闪现的预测的转换率；

确定用于所述预测的转换率的校正系数；以及

使用所述第一量度值、所述预测的转换率和所述校正系数来自动地计算第二量度值。

25.一种系统，包括：

用于获得指定与广告相关联的第一量度值的输入的装置；

用于确定用于所述广告的潜在闪现的预测的转换率的装置；

用于基于所述第一量度值和所述预测的转换率来估算第二量度值的装置；

用于基于所述第二量度值进行补偿的装置；以及

用于基于所述第一量度值进行借记记账的装置。

26.一种系统，包括：

用于接收广告主输入的装置，所述广告主输入指定用于与在线广告相关联的转换事件的第一量度值；

用于基于历史数据来确定用于所述广告的潜在闪现的预测的转换率的装置；

用于确定用于所述预测的转换率的校正系数的装置；以及

用于使用所述第一量度值、所述预测的转换率和所述校正系数来自动地计算第二量度值的装置。

Images