CN102222299A

CN102222299A - 清单管理

Info

Publication number: CN102222299A
Application number: CN2011100998527A
Authority: CN
Inventors: D·M·奇克瑞恩; C·A·米克; D·X·查尔斯; R·E·蒂尔曼
Original assignee: Microsoft Corp
Current assignee: Microsoft Technology Licensing LLC
Priority date: 2010-04-16
Filing date: 2011-04-15
Publication date: 2011-10-19
Also published as: US20110258045A1

Abstract

各种实施例提供了用于清单管理的技术。在一个或多个实施例中，构造概率模型来表示可从服务提供者获得的广告投放的清单。概率模型可基于使用定义广告投放的各种属性来描述客户机与服务提供者的历史交互的通信量模型。概率模型提供了属性的分布并基于依赖性将属性彼此相关。当来自广告客户对广告投放的订单被服务提供者预定时，更新概率模型来反映广告投放的清单中的预期概率下降。随后可以采用更新的概率模型来确定广告投放的清单是否足以预定广告投放的后续订单。

Description

清单管理

技术领域

本发明涉及互联网技术，尤其涉及清单管理技术。

背景技术

在在线资源的显示广告中，广告客户制作以特定客户为目标的订单(order)，这些特定客户与表示由订单定义的客户属性(例如，投放(impression))的清单(inventory)相匹配。向清单分配订单是复杂的约束满意度问题，对于可与服务提供者相关联的大量可用清单(例如每天几十亿)和/或大量广告客户订单(几万)，精确地解决这一问题在计算上代价昂贵。在该上下文中，服务提供者可能考虑清单管理来允许预定最大数量的订单并确保满足所预定的订单。

在预定订单时，清单管理系统可以估计通过扣除订单消费的投放所得到的可用清单。为了获得可用清单的准确估计，扣除将重叠的多个订单(例如，以共同属性为目标的订单)考虑在内。一种执行扣除的传统技术涉及计算最初可用于预期订单的投放数量(例如，初始清单中多少具有订单所指派的属性的投放是可用的)。则，对于每一重叠订单，从所计算的原始投放数量中扣除订单消耗的投放量。可以使用作为这一扣除的结果而得到的预期剩余投放来确定可用于后续订单的投放。

然而，这种传统的方法会导致与不可再由原始概率模型准确表示的投放相关联的属性上的新的分布。另外，该传统的方法可能对于在某些场景中发生的大量实时可用性计算而言太过缓慢且在计算上是昂贵的。

发明内容

提供本发明内容以便以简化形式介绍将在以下的具体实施方式中进一步描述的一些概念。本发明内容并不旨在标识出所要求保护的主题的关键特征或必要特征，也不旨在用于限定所要求保护的主题的范围。

附图说明

图1示出其中可以采用清单管理的一个或多个实施例的示例操作环境。

图2是描述根据一个或多个实施例的示例过程的流程图。

图3是描述根据一个或多个实施例的示例过程的流程图。

图4是描绘根据一个或多个实施例的示例概率模型的图示。

图5是描绘根据一个或多个实施例的概率模型的另一示例的图示。

图6示出根据一个或多个实施例的表示重叠属性的示例维恩图。

图7是可以实现各种实施例的系统的框图。

具体实施方式

概览

在以下讨论中，题为“操作环境”的章节仅描述其中可采用各实施例的一个环境。之后，题为“清单管理过程”的章节描述了根据一个或多个实施例的用于清单管理的示例技术。接下来，题为“清单管理实现细节”的章节描述了根据一个或多个实施例的用于清单管理的示例算法和实现。最后，提供了题为“示例系统”的章节并且该章节描述可用于实现一个或多个实施例的示例系统。

操作环境

图1在100处概括地示出根据一个或多个实施例的操作环境。环境100包括具有一个或多个处理器104、一个或多个计算机可读介质106和存储在计算机可读介质上并可由一个或多个处理器104执行的一个或多个应用108的服务提供者102。计算机可读介质106可包括，作为示例而非限制，通常与计算设备相关联的所有形式的易失性和非易失性存储器和/或存储介质。这种介质可包括ROM、RAM、闪存、硬盘、光盘、可移动介质等。计算机可读介质106也被描绘成存储操作系统110、服务管理器模块112、资源114(如内容、服务和数据)、以及可由处理器104执行的清单管理器116。尽管分开示出，但是清单管理器116也可被实现为服务管理器模块112的组件。

服务提供者102可被实施为任何合适的计算设备或诸如以下设备的组合，例如但不限于：服务器、服务器场、设备的对等网络、台式计算机等。计算设备的一个具体示例在以下关于图7示出并描述。服务提供者102可通过网络118通信耦合到各种其他实体(如设备、服务器、存储位置、客户机等)。具体来说，服务提供者102被示为通过网络118连接到提供广告122的广告客户120以及客户机124。广告客户120和客户机124可通过网络118与服务提供者102交互来获得对各种资源114的访问。虽然网络118被示为因特网，但是该网络可以采用各种各样的配置。例如，网络118可以包括广域网(WAN)、局域网(LAN)、无线网络、公共电话网和内联网等等。此外，虽然示出了单个网络118，但是网络118可被配置为包括多个网络。

服务管理器模块112表示可由服务提供者102操作来管理各种资源114的功能，可使各种资源114可通过网络118被获得。服务管理器模块112可管理对资源114的访问、资源114的执行、要提供资源114的用户接口或数据的配置等等。例如，客户机124可形成资源请求126来传送到服务提供者102以获得相应的资源114。响应于接收到这样的请求，服务提供者102可经通过网络118传送的供由一个或多个客户机124输出的网页128和/或其他用户界面来提供各种资源114。

资源114可包括内容和/或服务的任何合适的组合，通常由一个或多个服务提供者使这些内容和/或服务通过网络可被获得。内容可包括文本、视频、广告、音频、多媒体流、动画、图像、供浏览器或其他客户机应用程序显示的内容等的各种组合。服务的某些示例包括但不限于：搜索服务、发送和接收电子邮件的电子邮件服务、在客户机之间提供即时消息的即时消息通信服务、以及便于共享共同兴趣和活动的用户组之间的连接和交互的社交网络服务。服务还可包括配置成使得广告客户120能投放广告122以连同资源114一起呈现给客户机104的广告服务。

广告122可以与各种资源114一起投递到客户机104，这些资源114包括但不限于，与应用程序108相关联的网页和/或其他页面或文档、应用程序108的用户界面、电子邮件或其他电子消息等等。例如，浏览器输出的至少一些网页128可被配置成包括由广告客户120提供的广告122。与客户机104的其他应用程序108相关联的页面也可被配置成带有显示广告的一个或多个部分。另外，浏览器或其他应用程序108的用户界面还可包括可被配置成呈现广告122的用户界面本身的一个或多个部分。广告122可经由电子邮件或其他形式的电子消息收发在电子消息内投递到用户收件箱。

通过广告服务使用选择和投递广告的任何合适的技术，可选择广告122来包含在各资源144中。在一个示例中，可对网页128中保留的用于来自广告客户120的广告122的空间进行拍卖。此外，广告订单的预订以及广告的投递可以根据本文所述的清单管理技术来进行。

清单管理器116被配置成实现本文所述的清单管理技术的各方面。这些技术可以在管理清单的上下文中采用，该清单涉及用于将网页128中保留的广告空间或其它资源114投递给广告客户的投放。清单管理器116可以被配置成使用通信量模型130，通信量模型130表示同服务提供者102与客户机124和/或广告客户的交互相关并且可以经由服务提供者102收集、存储和/或访问的各种数据。虽然图1的示例通信量模型130被示为存储在服务提供者102的计算机可读介质106上，但是可以构想，通信量模型130可以通过任何合适的本地或网络存储位置和/或设备来汇编、存储和/或获得。在图1的示例中，通信量模型130被示为包括清单数据132和广告客户数据134。

清单数据132可以包括同客户机与服务提供者102的交互有关的数据，诸如通过搜索服务输入的搜索查询、页面视图、点击模式、人口统计、客户机导航统计、客户机属性、关键词统计等等。清单数据132还可以包括由与客户机124、客户机124的活动、和/或客户机124的特性相关的一个或多个属性定义的投放。客户机帐户还可以是同发起与服务提供者102的交互的用户的人口统计有关的属性的源，所述属性诸如位置、性别和/或年龄。在该上下文中，订单可以将关于所选关键词的一组数个投放作为目标，诸如与“体育爱好者”和“男性”有关的十万个投放。广告客户数据134可以包括描述来自广告客户120的投放的实际和/或模拟订单以及广告拍卖投标、广告投递调度等的数据。

更具体地，清单管理器116表示用于至少获得描述清单和/或投放的数据并利用该数据来作出关于是否可以预定来自广告客户120的预期订单的评估的功能。在至少某些实施例中，清单管理器116被配置成构造或以其他方式利用可用清单的概率模型，该模型表示与广告投放清单相关联的属性上的原始分布。可以使用该概率模型来导出可用于满足订单的清单。在预定订单时，清单管理器116可被配置成更新概率模型来反映属性的预期新分布，属性的预期新分布通过从清单中扣除广告投放的概率来考虑已预定的订单来得到。清单管理器116随后可以利用更新的概率模型来作出后续订单的可用性确定。可以参考以下附图找到可经由清单管理器116来实现的清单管理技术的进一步讨论。

已经考虑了示例操作环境，现在考虑对根据一个或多个实施例的示例清单管理技术的讨论。

清单管理过程

下面的讨论描述了可利用上述和下述的环境、系统和/或设备来实现的清单管理技术。这些过程中每一过程的各方面可用硬件、固件、软件、或其组合来实现。这些过程被示为指定由一个或多个设备执行的操作的一组框，并且其不必限于所示由各框执行操作的顺序。在以下讨论的各部分中，可对图1的示例环境100做出参考。

图2是描述根据一个或多个实施例的示例过程200的流程图。在至少某些实施例中，过程200可由诸如图1的服务提供者102之类的适当配置的计算设备或具有清单管理器116的其它计算设备来执行。

步骤202收集描述了客户机与服务提供者的历史交互的通信量模型的数据。发生此操作的一种途径是通过清单管理器116的操作来收集可以作为服务提供者102的通信量模型130的一部分来包括的清单数据132。清单管理器116可被配置成从任何合适的源接收描述清单的数据。可以周期性地编译清单数据132，诸如每月、每季度、每年等等。例如，可以编译特定月份的和要导航网页、执行搜索、和/或以其他方式与资源114交互的客户机交互有关的数据。随后可以将经编译的数据用作确定清单在后续月份中可用的基础。每一客户机交互可以与多个属性相关联，诸如性别(男/女)、体育迷(是/否)、年龄20-40(是/否)、年龄类别(<21/21-35/36-55/>55)、位置类别(A/B/C/D/E)等等。因此，可以使用描述客户机交互的数据来确定具有在给定时间段(例如，每周、每月等等)发生的相应的属性组合的各个广告投放。由此，服务提供者102可以利用该数据来理解服务提供者102具有的可供销售给广告客户120的广告投放的清单。

步骤204基于通信量模型来构造表示广告投放清单的概率模型。例如，清单管理器116可以利用通信量模型130来使用历史数据构造可用清单的概率模型。概率模型被配置成将属性彼此相关来考虑属性之间的依赖性。由此，可以使用该模型来计算关于不同的属性如何重叠的概率。例如，可以使用概率模型对诸如与体育迷相对应的投放同样对应于男性的概率有多少之类的内容进行编码。可以采用所构造的概率模型来提供可从服务提供者102获得的广告投放清单的属性的原始分布。

构想了各种合适的概率模型。在至少某些实施例中，概率模型被配置为贝叶斯网络。贝叶斯网络可被配置成表示与广告投放相关联的各个属性上的分布。更具体地，贝叶斯网络是具有基于属性之间的概率依赖性连接与属性相对应的节点的边的有向无环图。另外地或另选地，概率模型可被配置为无向图。无向图可被配置成将从属属性组织成表示团集(例如，从属属性的组)并且在团集之间具有基于邻接团集之间的共同属性的边的节点。在至少某些实施例中，无向图可以从相对应的贝叶斯网络中导出。包括但不限于贝叶斯网络和无向图的关于构造和使用各种概率模型的其他细节可以在下文中题为“清单管理实现细节”的章节中找到。

步骤206预定对广告投放的一个或多个订单。在预定一个或多个订单时，步骤208更新概率模型来反映由于所预定的一个或多个订单而导致的广告投放清单的预期减少。例如，广告客户120可以通过指定属性组合来对投放下订单。例如，来自广告客户的订单可以以属性组合为目标，诸如“男性；34-45岁；对体育感兴趣”或者“访问过web页x；未访问过页y；在最近n天中进行类型z的购买的用户”。其上可能投递所指定的投放的清单具有与订单相关联的每一个属性的值。这创建了由订单定义的一组约束。为了履行订单，基于约束将订单与满足约束的清单和/或投放匹配。

每次预定订单时，可以从广告投放的可用清单中扣除与订单相对应的投放数量。注意，每次响应于已预定的订单而从清单中扣除投放时，属性分布可以改变。出于这一原因，在为后续订单执行可用性计算时继续使用在步骤204中计算的原始分布可能导致不准确的结果。由此，清单管理器116可被配置成每次预定订单时计算从广告投放清单中扣除的预期概率。可以更新概率模型来反映从清单中扣除的预期概率，并且在考虑后续订单之前调整属性分布。通过这么做，可以改进可用性计算的准确性。

步骤210利用更新的概率模型来确定广告投放清单是否足以预定预期的订单。例如，清单管理器116可被配置成利用更新的概率模型来确定是否能够预定预期的新订单。或者，可以使用更新的概率模型来计算可以预定的给定类型(例如，所指定的属性组合)的投放数量。关于可用于确定是否预定预期订单的技术的其他细节可在以下附图的相关描述中找到。

图3是描述根据一个或多个实施例的另一示例过程300的流程图。具体地，可以采用过程300来作出关于广告投放的预期订单的确定。在至少某些实施例中，过程300可由诸如图1的服务提供者102之类的适当配置的计算设备或具有清单管理器116的其它计算设备来执行。

步骤302从广告客户接收对可从服务提供者获得的广告投放的预期订单。预期订单可被配置成定义目标属性和所请求的投放数量。另外地或另选地，预期订单可被配置为一查询，该查询发起关于有多少特定类型的投放可用的确定。例如，服务提供者102可以实现使广告客户120能够通过指定目标属性组合来对可从服务提供者102获得的投放下订单的广告服务。服务提供者102可具有各种类型的可用投放(例如，清单)，这些投放包括但不限于，与网页128相关联的、可用于向用户投递导航到网页128的显示广告的投放，经由服务提供者102的搜索服务输入的搜索查询，可登录来接收广告消息的电子消息订阅者，被配置成呈现广告的客户机124的应用程序和/或相关联的用户界面，和/或可用来向客户机124投递广告的其他合适类型的投放。

清单管理器116可用于处理预期订单来确定是否预定该订单(例如，是否有足够的清单)和/或计算与预期订单相对应的可用投放的数量(例如，该订单所指定的类型的投放有多少是可用的)。在至少某些实施例中，采用可用清单的概率模型。

具体地，步骤304获得可从服务提供者获得的广告投放清单的概率模型，该概率模型反映了服务提供者已经预定的订单。如上所述，概率模型可被配置成将与投放相关联的属性彼此相关来考虑属性之间的关系。例如，考虑具有示例属性A、B、C、D和E的清单。概率模型可被配置成将这些属性彼此相关来表示属性的可能组合。在某些实施例中，这可涉及形成从属属性的团集，从而标识有条件地彼此独立的属性组。例如，一个团集可包括属性A、B和C，而另一团集可包括属性C、D和E。在该示例中，模型对概率分布进行编码，其中给定C，属性A和B有条件地独立于D和E。合适的概率模型的某些示例包括贝叶斯网络和无向图。合适的概率模型的进一步讨论可以在下文中题为“清单管理实现细节”的章节中找到。

对于给定预期订单，所采用的概率模型可被配置成反映已经被预定的订单。为此，获得可用清单的属性的原始分布，然后每次系统预定订单时可以更新该分布来考虑总体的变化。随后使用更新的概率模型来评估每一预期订单，该更新的概率模型考虑基于在预期订单之前的订单而发生的投放的概率扣除。通过这么做，可以避免可能与继续对后续订单使用原始的属性分布相关联的不准确性。

给定反映了更新的清单属性分布的概率模型，步骤306使用该概率模型来计算可用于满足预期订单的广告投放的数量。例如，清单管理器116可以确定预期订单所指定的属性并计算清单中满足这些约束的投放。发生此操作的一种途径是通过执行匹配操作来将使用通信量模型130将订单与相对应的投放匹配。

步骤308基于所计算的可用广告投放的数量来选择性地预定预期订单。例如，清单管理器116可用于确定可用投放的数量是否足以满足预期订单所请求的多个投放。在至少某些实施例中，清单管理器116可被配置成返回关于是否可基于所计算的可用广告投放数量来预定该订单的二元(是/否)响应。在另一示例中，清单管理器116可被配置成将所计算的投放数量作为结果返回。例如，可以响应于要确定可用的特定类型的投放数量的查询来返回所计算的投放数量。随后可以相应地预定预期订单。在一个示例中，清单管理器116可以根据可用广告投放的确定来自动地预定预期订单。另外地或另选地，清单管理器116可被配置成结合可被选择来继续预定订单的选项来输出可用性确定的结果。随后可以响应于订单选项的选择来预定订单。

在预定预期订单时，步骤310更新可用清单的概率模型来考虑预期订单所消耗的广告投放。具体地，清单管理器116可被配置成基于预定的订单来作出从清单的投放概率扣除。为此，清单管理器116可以利用概率模型并从清单中移除匹配现在已预定的订单的投放。概率模型所定义的属性之间的关系使得清单管理器116能够确定与从清单中移除的投放相关联的不同属性。由此，清单管理器116可以计算更新的属性分布并相应地调整概率模型。

步骤312使用可用清单的更新的概率模型来确定另一预期订单的可用性。发生此操作的一种途径是通过清单管理器116的操作来重复地更新概率模型并在每次评估订单的可用性时利用最近更新。例如，可以使用如上所述的过程300来依次处理多个预期订单。具体地，对于每一预期订单，可以使用考虑先前预定的订单的可用清单的更新的概率模型来作出与预期清单相对应的清单可用性确定。在预定订单时，可以再次更新概率模型来考虑由于预定订单而导致的从清单中的投放概率扣除。以此方式，可以为所处理的每一订单采用概率模型的最近更新。

已经描述了涉及清单管理的示例性过程，现在考虑可用于此处描述的一个或多个实施例的具体实施示例。

清单管理实现细节

现在考虑示例概率模型的讨论以及可以结合清单管理的各种技术来使用先前所述的设备和系统所采用的进一步的实现细节。在以下描述中，首先讨论关于贝叶斯网络的某些介绍性信息。之后，呈现了描述贝叶斯网络的构造和使用以及可用于清单管理的其他概率模型的讨论。

用于清单管理的贝叶斯网络

如先前所述，贝叶斯网络是可用来实现此处描述的清单管理技术的合适的概率模型的一个示例。出于读者的利益，现在在显示广告的上下文中提供关于贝叶斯网络的某些简要细节。

假定服务提供者102在网站上向广告客户120销售用户投放。对于每一用户投放，存在对应于一组预定义属性中的每一个的值。A_i标识第i个属性(例如，性别)而a_i标识属性A_i的具体值(例如，男性)。使用这种表示，每一投放可被表示为可由广告客户确定为目标的一组属性值：

A＝<a₁，...，a_n>

广告客户可以通过指定目标属性组合和要提供的投放总数来向服务提供者102提交订单。例如，订单O_j＝{N_j，t_j}包含总投放计数N_j和一组目标准则t_j。订单的目标准则指定投放要满足的属性值的组合，该投放要展示与该投放的订单相对应的广告。为呈现简明起见，假定该讨论的其余部分订单的准则是属性值的结合。例如，订单可被表达为O_j＝{1000000，{性别＝男性，体育迷＝是}}。换言之，广告客户120想要对既是男性又是体育迷的用户进行一百万个投放。

清单管理系统(例如，清单管理器116)可被配置成对(a)任意目标准则所预期的投放数量以及(b)两组目标准则在其上重叠的投放数量进行建模。进行这样的建模的一种技术是将问题分解成如下的两个部分：

(1)对总体通信流量(例如，投放总数)进行建模。

(2)对属性A上的联合概率分布进行建模。

通过按这种方式来分解问题，假定属性上的概率分布不依赖于流量。即，如果通信量翻倍，则预期属性值的各种组合的数量也翻倍。实际上，通信增加可能倾向于一个或多个属性，诸如通过将更多的女性趋向特定站点的活动和/或内容。

可以使用贝叶斯网络来对一组属性A上的联合概率分布进行建模。可以使用历史输入来构造贝叶斯网络，所述历史输入诸如来自通信量模型130的数据。简言之，贝叶斯网络是用来表示一组属性上的联合概率分布的图模型。该模型具有两个组分：(1)有向无环图(DAC)，其中图中存在对应于每一属性的节点以及表示属性之间的概率依赖性的边，以及(2)表示每一属性的条件概率的一组参数，给定由图中相对应的父节点所定义的属性。

作为一个简单的示例，假定所关注的属性是性别、体育迷和年龄，并因此所关注的概率分布是P(性别、体育迷、年龄)。模型中存在对应于每一属性的节点，以及表示属性之间的概率依赖性的边。

现在考虑图4所描绘的示例图400。该图包括年龄节点402、性别节点404和体育迷节点406。性别节点404和体育迷节点406被示为由指示这两个属性之间的概率依赖性的边连接。年龄节点402和任一其他节点之间的边的缺失断言了年龄和其他属性之间的独立性。与贝叶斯网络中的每一节点相关联的是给定父属性的属性的条件概率分布。联合概率分布被定义为这些条件之积。对于图4所描绘的示例，这可被表达为：

p(性别，体育迷，年龄)＝p(年龄)p(性别)p(体育迷|性别)

假定属性是二元的(男性/女性，是/否，年轻/年长)，则函数p(性别，体育迷，年龄)总共需要七个参数来指定属性上的联合分布。由此，存在八个可能的值组合并且概率和为1。通过将p(性别，体育迷，年龄)分解成三个函数之积，可以缩减参数的数量。具体地，可以用1个参数来指定p(年龄)，可以用1个参数来指定p(性别)，可以用2个参数(性别的值各一个参数)来指定p(体育迷|性别)。由此，总共可以采用4个参数。一般而言，如果属性之间没有独立性，则可用来指定n个二元属性上的联合分布的参数数量是2ⁿ。通过利用独立性约束，可以使用考虑属性彼此之间的关系的贝叶斯网络来更有效地表示属性的分布。随后可以使用贝叶斯网络来提取各种属性组合的概率分布。

贝叶斯网络中的推断

提取属性子集上的概率的过程被称为推断。例如，考虑联合分布的示例p(性别，体育迷，年龄)，要确定其概率p(体育迷＝是，年龄＝年长)。概率的规则规定可以通过对查询中未指定的所有属性的值求和来从联合中获得边缘概率：

可以相当有效地从贝叶斯网络中提取这样的边缘概率。具体地，可将贝叶斯网络编译成被称为联合树的无向图。联合树是可以通过修改相对应的贝叶斯网络来得到的无向图。联合树被配置成具有与从属属性组相对应的一个或多个团集节点C_i。联合树中的每一团集节点C_i(所谓的团集节点是因为节点对应于贝叶斯网络的修改版本中的节点团集)对应于贝叶斯网络中的属性子集，而可以采用团集节点来存储与边缘概率分布p(C_i)成正比的完整定义(例如，无独立性约束)的潜力函数Ψ(C_i)。分隔符集S_ij对应于无向团集图中C_i和C_j之间的边。分隔符集S_ij对应于两个邻接团集节点之间共同的属性集C_i∩C_j。每一条这样的边可结合潜在函数Ψ(S_ij)来存储，该潜在函数与分隔符集上的边缘概率分布成正比。在联合树中将联合概率分布表示为(1)团集节点潜在函数之积和(2)分隔符集潜在函数之积的比率：

p (A_{1}, . . ., A_{n}) = \frac{1}{z} \frac{Π_{i} Ψ_{i} (C_{i})}{Π_{ij} Ψ_{ij} (S_{ij})}

在上述表达式中，Z是确保概率函数和为1的归一化约束。

考虑在500处概括地描绘了贝叶斯网络502和相对应的联合树504的图5。具体地，贝叶斯网络502在示例属性A、B和C上定义。对于贝叶斯网络502，有两个团集：(A，B)和(B，C)。由此，联合树504可被表示为包括如图5的示例所示的两个节点的无向图。

然后通过以下给出图5所描绘的示例的联合概率：

p (A, B, C) = \frac{1}{Z} \frac{Ψ_{AB} (C_{AB}) \times Ψ_{BC} (C_{BC})}{Ψ_{B} (S_{B})}

联合树504具有这样一种特性：为了得到给定属性A_j的边缘概率，可以采用以下的过程：

(1)标识包含属性A_j的单个团集节点C_i(可能存在一个以上这样的节点)。

(2)对C_i中的所有其他属性的潜在函数求和。

(3)“归一化”(2)的结果从而使得值的和为1。

例如，考虑联合树中在属性A和B上定义的团集节点，A和B都是二元的。相对应的潜在函数Ψ将具有A和B的值的组合的值，如下表所示：

A	B	Ψ(A，B)
			0	0	12
0	1	10
			1	0	6
1	1	8

通过对B的值求和，可以如下得到A的新的潜在函数：

Ψ(A＝0)＝12+10＝22

Ψ(A＝1)＝6+8＝14

现在，为了得到A的概率，可以用值的和除Ψ：

p (A = 0) = \frac{Ψ (A = 0)}{Ψ (A = 0) + Ψ (A = 1)} = \frac{22}{22 + 14} = 0.61

p (A = 1) = \frac{Ψ (A = 1)}{Ψ (A = 0) + Ψ (A = 1)} = \frac{14}{22 + 14} = 0.39

可以更新联合树来反映新的证据e，从而使得所得团集潜在函数集对条件分布进行编码。将证据插入联合树在两个阶段中进行。第一，标识为其修改相对应的潜在函数的单个团集。例如，如果要插入证据A＝1，则找到含有A的单个团集，并预设相对应的潜在函数从而使得对应于A≠1的所有条目被设为零。

在更复杂的示例中，假设获得使得A＝1的可能性是之前的两倍的某些证据。可以通过将与A＝1一致的所有条目(在以上示例中，[A＝1，B＝0]和[A＝1，B＝1]的条目)乘以2来将该证据吸收到潜在函数中。在插入证据的第二阶段，可以执行“传播”阶段，其中将消息在树中的团集节点之间传递从而使得更新所有其他的潜在函数(包括分隔符集)来与新的证据一致。

为了计算多个属性-值对的边缘概率，可以执行顺序操作来(a)提取每一单个属性/值对的边缘概率，然后(b)将该对作为证据插入到潜在函数集中。例如，如果要确定概率p(A＝1，B＝1)，首先提取p(A＝1)，然后更新联合树来反映观察A＝1。结果，树表示所有其他属性在给定观察A＝1的情况下的条件概率。因此，在这一更新之后，可以使用上述过程来提取概率p(B＝1|A＝1)，并且可以通过取这两者之积来得到所关注的概率。

稀疏贝叶斯网络常常但不总是被编译成带有相对小的团集的无向团集图。可以应用各种传统的学习算法来生成可被编译成带有特定最大团集大小的无向团集图的贝叶斯网络。

从数据中学习贝叶斯网络

从数据中学习贝叶斯网络的一种方法涉及取得所观察的数据集，并确定很好地适合该数据的网络的结构和参数。如其他机器学习问题一样，在良好地表示训练数据和模型的预期概括差错之间存在折衷。

为了学习推断是快速的贝叶斯网络，一种技术是在可分解的结构之间搜索。可分解结构是在团集图中的参数数量与贝叶斯网络中的参数数量相同的意义上与团集图一致的一种结构。在这种情况下，将贝叶斯网络变换成团集图不涉及新参数的引入。学习可分解模型的一种示例技术涉及使用“无向”算子将边插入到贝叶斯网络中。为此，获得没有边的贝叶斯网络。然后可以使用“无向添加”算子贪婪地添加边。用这种方式使用“无向添加”算子保证在每一这样的算子之后，所得网络是可分解的。大部分标准打分函数适用于这种搜索。关于适用于此处描述的各种清单管理技术的示例无向算子的细节可以在Journal of Machine Learning Research(机器学习研究期刊)3：507-554(2002)中David Maxwell Chickering所著的“Optimal Structure Identification with Greedy Search(用贪婪搜索的最优结构标识)”中找到，该文内容通过整体引用结合于此。

使用贝叶斯网络的可用性计算

如上所述，广告客户120可能想要知道预期订单是否能被满足，或更一般地，给定某一目标准则t_j有多少可用的投放X。可以采用此处描述的清单管理技术来获得对于来自广告客户120的这些可用性查询的快速回答。

为了回答可用性查询，清单管理系统和/或清单管理器116可被配置成对如何投递现有订单进行建模。在被表示为“优先级胜者”模型的订单投递的一个示例下，每一订单被分配唯一优先级。随着每一投放进入系统，它被分配给具有最高优先级的订单。一旦满足了订单的投放目标，则将所述订单从系统中移除。

在详细地描述可用性计算之前，考虑决定是否可以投递一给定组的预定订单的问题是有用的。假定优先级胜者投递模型，可以使用以下算法来完成这一任务：

算法CheckOrders(检查订单)

输入：订单集O₁，...，O_m

输出：如果投递不良发生则FAIL(失败)，或如果成功则SUCCEED(成功)

(1)按优先级对订单排序

(2)对于每一订单O_i＝{N_i，t_i}，依次地

a.令N为和订单i的目标准则t_i相匹配的投放总数

b.对于从j＝1到i-1的每一订单O_j，从N中扣除订单j中与订单i重叠的已预定投放N_j的部分

c.如果N小于订单i的所预定的投放数量N_i，则返回FAIL

(3)返回SUCCEED

可以使用贝叶斯网络来从以上的步骤2a计算N。具体地，N的值可被计算为：N＝M×p(t_i)，其中M是预期的总流量，并使用从历史数据中构建的贝叶斯网络上的推断来计算概率。

作为一种试探，还可以采用贝叶斯网络来计算如以上步骤2b所表示的订单之间的重叠。具体地，重叠可被计算为：重叠＝N_j×p(t_i|t_j)，其中使用从历史数据中学习的同一贝叶斯网络中的推断来计算概率。重叠表示匹配订单i的目标准则的将被投递到第j个订单的投放的部分。总之，算法如下检查每一订单：(1)找出匹配订单的投放总数；以及(2)扣除掉将被投递到较高优先级的订单的投放。

如上所述，使用由贝叶斯网络所表示的属性的“基线”原始分布来计算重叠计算是一种试探。在概念上，可以使用算法CheckOrders来计算预期的新订单的可用性。该计算以归纳而言将不会投递不良的已经预定的一组订单项开始。然后，通过重复调用包括预期订单的CheckOrders来作出对可以在无投递不良的情况下预定的最大投放数的搜索。每一迭代为预期订单使用特定数量的所请求的投放。例如，最初为预期订单指定一个投放。只要对CheckOrders的调用成功，则该数可以增加1并且CheckOrders可以再次运行。可以采用这一过程来返回对CheckOrders的调用成功的最大投放数。

在至少某些实施例中，可以实现优化来更有效地求解以上最大化问题。具体地，令X表示可被分配到新的预期订单的投放数。优化可被配置成最大化X，服从如果为订单预定X个投放则算法CheckOrders将SUCCEED的条件。回想，N_j是为订单O_j预定的投放数。现在假定，一旦添加了新的订单并且该新的订单具有优先级i，则索引反映优先级订单。因此，N_i+1表示优先级在新的订单之后的订单所预定的投放数。此外，回想t_j是订单O_j确定为目标的标记集。

X对算法CheckOrders施加了两种类型的约束。第一，在步骤2b中扣除了较高优先级订单的交集之后，所得的剩余投放数足以向新的订单提供X个投放。换言之，算法不返回FAIL。该第一约束可如下表达：

X \leq M \times p (t_{i}) - \underset{j < i}{Σ} N_{j} \times p (t_{i} | t_{j})

注意，N＝M×p(t_i)等于步骤2a中的N，而和实现步骤2b中的扣除。

第二，在将X个投放提供给预期订单之后，所得的剩余投放数足以提供所预定的较低优先级的订单。该第二约束可如下表达：

\underset{k > i}{&ForAll;} N_{k} \leq M \times p (t_{k}) - X \times p (t_{k} | t_{i}) - [\underset{j &NotEqual; i, j < k}{Σ} N_{j} \times p (t_{k} | t_{j})]

此处，“对于全部”将步骤2中考虑的订单限于优先级比新的订单更低的订单。此处，将步骤2b中作出的扣除拆成两项：与新的订单的交集(例如，索引i)和不等于新的订单的所有较高优先级的交集。注意，优先级比新的预期订单高的订单的投递不良不是问题，因为最初假定订单的现有集合将不会投递不良。

重新安排第二类约束中的项得到以下：

\underset{k > i}{&ForAll;} X \leq \frac{M \times p (t_{k}) - N_{k} - [\underset{j &NotEqual; i, j < k}{Σ} N_{j} \times p (t_{k} | t_{j})]}{p (t_{k} | t_{i})}

在该重新安排中，注意到，可用性问题是“最大化X”的形式，其中约束中的每一个是X的恒定上限。因此，可以通过从以上寻找最小上限来得到可用于新的预期订单的投放数。

如上所述，使用“基线”贝叶斯网络来计算重叠部分p(t_i|t_j)是一种试探。为了理解这样的计算为何可能是不够的，考虑在600处概括地描绘了被表示为维恩图602的示例群体的图6。在图6的示例中，有200个带有A＝1的投放和200个带有B＝1的投放。这些投放具有被描绘为既具有A＝1也具有B＝1的100个投放的重叠604。现在，假设有两个现有订单如下：

O₁＝{100，{A＝1，B＝1}}

O₂＝{100，{B＝1}}

此外，假定第一订单的优先级高于第二订单的优先级，并且输入查询来确定有多少投放可用于以A＝1为目标的具有最低优先级的预期订单。所述方法以A＝1的投放总数，200开始。然后，对于每一订单，使用基线分布来扣除带有A＝1的重叠。现在假定，该基线分布表示来自图6所描绘的维恩图的部分。在该示例中，从第一订单中扣除掉前100个投放，因为作为O1目标的每一投放都具有A＝1。在第一次扣除之后得到N＝100。对于第二订单，扣除掉等于100x p(A＝1|B＝1)的额外投放数。注意到，维恩图中的计数p(A＝1|B＝1)＝100/200＝0.5。因此，从N中扣除额外的50个投放，得到新订单的可用性为50。

仔细地看这一示例，注意到，对于第二订单的扣除可能是不准确的。具体地，扣除被计算为来自原始分布的p(A＝1|B＝1)，而正确的分布是在从第一订单扣除投放之后得到的分布。具体地，在扣除了所有100个[A＝1，B＝1]投放之后，p(A＝1|B＝1)为零。因此，新订单的正确可用性是100。由此，使用原始分而非扣除后的分布可能导致诸如高估或低估可用清单之类的不准确性。

相反，此处和下文中描述的清单管理技术使得能够使用诸如贝叶斯网络之类的概率模型来表示属性的所预期的扣除后的分布。通过这么做，清单管理技术避免了在仅使用原始分布执行可用性计算时可能发生的不准确性。具体地：

(1)重叠计算不再是试探，而可以更准确地表示预定订单之后的可用清单。

(2)可以通过高速缓存扣除后分布来提高可用性计算的速度。

作为示例，假定贝叶斯网络B表示将对于某一订单O_i可用的清单的分布。对于最高优先级的订单，该网络可以是表示属性在用户上的分布的原始贝叶斯网络。使用以上和以下所述的清单管理技术，可以修改B来表示在已经从O_i中扣除了投放之后所得到的预期分布。该预期分布与下一次考虑预期订单时可用的分布相对应。

为计算预期扣除后分布，假定按随机次序从分布生成投放。结果，扣除基于投放的随机次序来产生预期分布。例如，如果订单以100个男性为目标并且根据概率模型一半的男性是体育迷，则可以预期订单将消耗50个体育迷。因为男性是随机出现的，所以，实际消耗的体育迷的数量可能偏离这一预期值。

使用集中结果，可以设置预期可能离实际分布有多远的边界。具体地，边界可以按以下形式来累积：至少0.9999的概率，可用于该订单的投放数是从模型中计算的预期的至少80％。

为了回答推断查询，再次假定将贝叶斯网络编译成联合树。因此，对表示贝叶斯网络的联合树的显式修改可以被认为与对网络本身的修改相反。当然，还可应用计算来使用贝叶斯网络或其他概率模型来直接计算可用性。该示例恰巧将贝叶斯网络编译成联合树。

现在，假定目标属性t_i被包含在联合树中的至少一个团集节点C_j中。然后，对潜在函数Ψ_j的以下更新将反映(预期的)扣除后的潜在函数。对于潜在函数域中的值c的每一集合，使用以下来调整：

Ψ_{j}^{'} (C_{j} = c) = Ψ_{j} (C_{j} = c) \frac{p (C_{j} = c) \times M - I (t_{i} ~ c) \times N_{i}}{p (C_{j} = c) \times (M - N_{i})}

在以上表达式中，I(t_i～c)是指示符函数，如果目标值t_i与值c的集合一致(即，t_i与c对于任何重叠属性值都“不一致”)，则该函数为1，否则为0。M表示其上定义B的群体中剩余的投放数。

作为另一示例，考虑以上介绍的潜在函数，在此处重复：

A	B	Ψ(A，B)	p(A，B)
				0	0	12	0.33
0	1	10	0.28
				1	0	6	0.17
1	1	8	0.22

注意，上表包括含有每一组值的概率的列。这些概率即是归一化的潜在函数值。例如，概率p(A＝0，B＝0)从36(＝12+10+6+8)除12得到。

假定M＝100，从以A＝1为目标的订单中得到10个投放的扣除。可以如下作出相应的更新：

Ψ (A = 0, B = 0) = 12 \frac{0.33 \times 100 - 0 \times 10}{0.33 \times (100 - 10)} = 13.3

Ψ (A = 0, B = 1) = 10 \frac{0.28 \times 100 - 0 \times 10}{0.28 \times (100 - 10)} = 11.1

Ψ (A = 1, B = 0) = 6 \frac{0.17 \times 100 - 1 \times 10}{0.17 \times (100 - 10)} = 2.7

Ψ (A = 1, B = 1) = 8 \frac{0.22 \times 100 - 1 \times 10}{0.22 \times (100 - 10)} = 4.8

可以获得如下相对应的更新的潜在值的表：

A	B	Ψ(A，B)	p(A，B)
				0	0	13.3	0.42
0	1	11.1	0.34
				1	0	2.7	0.08
1	1	4.8	0.15

注意，在扣除A＝1投放之后，查看后续A＝1投放的概率已经如预期的下降了。在如上所述地更新团集之后，可以在联合树的剩余部分传播该信息，如可对于任何其他证据所做的一样。

如果订单以未包含在单个团集中的属性为目标，则一种选择是随机地从当前分布中采样大小为M的数据集，显式地扣除匹配给定目标的N_i个投放，然后在所得数据上再次学习贝叶斯网络。另一种选择将是将证据添加到多个团集，忽略造成的依赖性。

通过关于清单管理的上述示例实现，现在考虑可以用于实现所描述技术的诸方面的示例系统。

示例系统

图7在700处概括地示出可以实现上述各实施例的示例计算设备702。计算设备702可以是例如图1的客户机124、服务提供者102的服务器、广告客户120的服务器，或任何其他合适的计算设备。

计算设备702包括一个或多个处理器或处理单元704、一个或多个存储器和/或存储组件706、用于输入/输出(I/O)设备的一个或多个输入/输出(I/O)接口708、以及允许各组件和设备彼此通信的总线710。总线710代表若干类型的总线结构中的一个或多个，包括存储器总线或存储器控制器、外围总线、加速图形端口以及使用各种总线体系结构中的任一种的处理器或局部总线。总线710可包括有线和/或无线总线。

存储器/存储组件706表示一个或多个计算机存储介质。存储器/存储组件706可包括易失性介质(如随机存取存储器(RAM))和/或非易失性介质(如只读存储器(ROM)、闪存、光盘、磁盘等等)。存储器/存储组件706可包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如闪存驱动器、可移动硬盘驱动器、光盘等等)。

一个或多个输入/输出接口708允许用户向计算设备700输入命令和信息，并且还允许使用各种输入/输出设备向用户和/或其他组件或设备呈现信息。输入设备的示例包括键盘、光标控制设备(例如鼠标)、话筒、扫描仪等。输出设备的示例包括显示设备(例如监视器或投影仪)、扬声器、打印机、网卡等。

各种技术在此可以在软件或程序模块的一般上下文中描述。一般而言，软件包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。这些模块和技术的实现可以存储在某种形式的计算机可读介质上或通过某种形式的计算机可读介质传输。计算机可读介质可包括各种可获得的介质或可由计算设备访问的介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”。

包括清单管理器116、应用程序108、服务管理器模块112、操作系统110的软件或程序模块以及其他程序模块可被实现为存储在计算机可读存储介质上的一个或多个指令。计算设备702可被配置成实现对应于存储在计算机可读存储介质上的软件或程序模块的特定功能。这些指令可由一个或多个制品(如一个或多个计算设备702和/或处理器704)来执行，以实现用于清单管理的技术以及其他技术。这些技术包括但不限于这里所述的示例过程。因此，计算机可读存储介质可被配置成存储指令，当由这里所述的一个或多个设备执行指令时，产生用于清单管理的各种技术。

计算机可读存储介质包括以适合于存储如计算机可读指令、数据结构、程序模块或其他数据等信息的方法或技术来实现的易失性和非易失性、可移动和不可移动介质。该计算机可读存储介质包括但不限于，RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光存储、硬盘、磁带盒、磁带、磁盘存储或其它磁存储设备、或者可适用于存储所需信息并可由计算机访问的另一有形介质或制品。

结论

虽然已经用对结构特征和/或方法步骤专用的语言描述了清单管理的技术，但是应当理解，所附权利要求书中定义的技术不必限于所描述的具体特征或步骤。相反，特定特征和步骤是作为实现所要求保护的技术的示例形式来公开的。

Claims

1.一种计算机实现的方法，包括：

收集描述了客户机与服务提供者的历史交互的通信量模型的数据(202)；

基于所述通信量模型来构造表示可从所述服务提供者获得的广告投放清单的概率模型(204)；

预定来自广告客户对所述广告投放的一个或多个订单(206)；

更新所述概率模型来反映由于已预定的一个或多个订单而导致的所述广告投放清单中的预期概率减小(208)；以及

利用更新的概率模型来确定所述广告投放清单是否足以预定广告投放的后续订单(210)。

2.如权利要求1所述的计算机实现的方法，其特征在于：

所述清单中的广告投放由多个属性值来定义；以及

构造所述概率模型来表示所述属性的分布并基于所述属性之间的依赖性将所述属性彼此相关。

3.如权利要求1所述的计算机实现的方法，其特征在于，所述概率模型包括表示与所述广告投放相关联的属性之间的关系的贝叶斯网络。

4.如权利要求1所述的计算机实现的方法，其特征在于，所述概率模型包括与所述广告投放相关联的属性之间的关系的无向图表示。

5.如权利要求1所述的计算机实现的方法，其特征在于，构造所述概率模型包括：

学习贝叶斯网络，所述贝叶斯网络使用所述通信量模型来表示定义了可从所述服务提供者获得的广告投放的属性的分布；以及

从所述贝叶斯网络导出无向图，所述无向图将从属属性组组织成团集并且具有邻接团集之间的边，所述边存储了所述邻接团集之间共同的属性的概率分布。

6.如权利要求1所述的计算机实现的方法，其特征在于，所述清单包括由所述服务提供者用来将网页中的广告空间投递给一个或多个广告客户的广告投放。

7.如权利要求1所述的计算机实现的方法，其特征在于，所述清单与传递给客户机的广告电子邮件有关。

8.如权利要求1所述的计算机实现的方法，其特征在于，所述清单与用来在桌面应用程序的用户界面内显示广告的广告空间有关。

9.如权利要求1所述的计算机实现的方法，其特征在于，利用更新的概率模型来确定广告投放的清单是否足以预定所述后续订单包括：

获得作为查询的所述后续订单，所述查询被配置成发起关于所述清单中有多少具有作为所述查询的目标的一个或多个属性的广告投放可用的确定；

响应于所述查询，使用所述更新的概率模型来计算具有一个或多个目标属性的可用广告投放的数量；以及

根据所计算的可用广告投放的数量来选择性地预定所述后续订单。

10.一个或多个存储指令的计算机可读存储介质(106)，所述指令在由一个或多个服务器设备执行时，使得所述一个或多个服务器设备实现清单管理器(116)，所述清单管理器被配置成：

从广告客户接收对广告投放的预期订单(302)；

获得可从服务提供者获得的广告投放的清单的概率模型，所述概率模型反映了所述服务提供者已经预定的订单(304)；

使用所述概率模型来计算可用于满足所述预期订单的广告投放数(306)；以及

基于所计算的可用广告投放数来选择性地预定所述预期订单(308)。

11.如权利要求10所述的一个或多个计算机可读存储介质，其特征在于，所述指令在由一个或多个服务器设备执行时，还使得所述一个或多个服务器设备实现清单管理器(116)以执行以下动作：

在预定所述预期订单时，更新所述广告投放清单的概率表示来考虑所述预期订单所消耗的广告投放；以及

使用所述更新的概率表示来确定另一预期订单的广告投放的可用性。

12.如权利要求10所述的一个或多个计算机可读存储介质，其特征在于，所述概率模型包括表示与所述广告投放相关联的属性之间的关系的贝叶斯网络。

13.如权利要求10所述的一个或多个计算机可读存储介质，其特征在于，所述概率模型包括与所述广告投放相关联的属性之间的关系的无向图表示，所述无向图表示包括一个或多个从属属性组。

14.如权利要求10所述的一个或多个计算机可读存储介质，其特征在于，所述清单包括由所述服务提供者用来将网页中的广告空间投递给一个或多个广告客户的广告投放。

15.如权利要求10所述的一个或多个计算机可读存储介质，其特征在于，获得所述概率模型包括：构造无向图，所述无向图将从属属性分组成团集并在邻接团集之间具有存储所述邻接团集之间共同的属性的概率分布的边。