CN105205696A - 互联网广告实时竞价多广告主多因素流量分配方法 - Google Patents
互联网广告实时竞价多广告主多因素流量分配方法 Download PDFInfo
- Publication number
- CN105205696A CN105205696A CN201510574653.5A CN201510574653A CN105205696A CN 105205696 A CN105205696 A CN 105205696A CN 201510574653 A CN201510574653 A CN 201510574653A CN 105205696 A CN105205696 A CN 105205696A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- adgroup
- cost
- flow
- bidding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于互联网广告技术领域,提供了互联网广告实时竞价多广告主多因素流量分配方法,包括:广告竞价单元ad?group分为离线多因素混合打分、离线最大花费预估、分数累积分布估计和在线流量分配4个功能模块;在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分;在离线最大花费预估功能模块内,对广告进行离线最大花费预估;在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计;在线流量分配功能模块内,对广告进行在线流量分配;将上述步骤计算得出的数值进行比较,得出是否参与报价的结论。本发明解决了有些广告投放机会越来越少,预算花不出去,对广告主有失公平,并且会影响到DSP全局投放收益的问题。
Description
技术领域
本发明属于互联网广告技术领域,特别涉及一种互联网广告实时竞价多广告主多因素流量分配方法。
背景技术
互联网广告,由于其互动性强、准确性高的优势在广告结构中的比重逐年提升,并有继续扩大的趋势。2011至2014年,互联网广告的市场规模已经超过了报纸广告规模,名列第二位,市场规模连续保持高速增长。
RTB(RealtimeBidding,实时竞价)是一种利用第三方技术在数量庞大的各个网站上针对每一个用户广告展示行为进行评估以及出价的竞价技术。实时竞价规避了无效的受众到达,广告主或者其代理可以针对有意义的用户进行流量购买。RTB的核心是DSP(DemandSidePlatform,需求方平台)和AdExchange(ADX,广告交易市场)。
DSP整合了不同来源的在线广告资源,可以让广告主或者其代理通过一个统一的平台来购买、管理广告资源。通过DSP可以实现统一的定向投放、数据管理、优化和效果报告。
ADX是一个类似于证券交易所的场所,将广告供应方(网站媒体)和需求方(广告主或者其代理)聚集在一起交易在线广告存货,其本身并不买卖在线广告存货,而只是提供了交易的场所,按交易金额收取费用。ADX是DSP的一个重要的在线广告资源来源之一。总之,ADX就是一个能够让广告主在正确的时间,正确的媒体接触到合适的用户的地方,交易中运用的RTB技术可以让广告主或其代理DSP竞拍每一次广告显示在用户面前的机会。
在实时竞价过程中,每个广告主会设置一些定向投放条件作为流量筛选的依据,例如:地理位置、用户兴趣、设备类型等,DSP会根据这些定向条件实时决定是否进行后续的竞价流程。
在RTB实时竞价过程中,如果当前广告展现机会所带有的某些定向特征与不止一个广告主所设定的定向投放条件相匹配的时候,例如:当前流量的用户ID同时属于多个广告主的人群ID,那么如何公平、恰当地在各预算有限的广告主中间分配此次展现机会,同时进一步提高线上系统的出价效率,是目前急需解决的技术问题。
目前已有的一些竞价机会分配方法,是根据广告主的广告竞价单元(以下简称adgroup)在投放历史中的表现,对adgroup进行评分,按照评分对来源于不同广告主的adgroup进行全局排序,并按照顺序进行筛选,adgroup排名越高,其被选到并且参与后续预测、投放流程的可能性也就越大,最终胜出的adgroup将在ADX中参与外部竞价。由于这个阶段的排序过程发生在ADX竞价之前,因此称为“内部排序”。
目前行业内常用的内部排序方法存在以下几个缺点:
1、评分依据单一:利用历史投放效果为每个adgroup打分的时候,只考虑一个或者两个因素,例如,广告点击率(CTR,ClickThroughRate)、单次点击成本(CPC,CostPerClick)等。这些因素并不能够全面地描述该adgroup的历史投放质量,因此会明显影响广告主的投放收益。
2、缺乏多样性考虑:内部排序是对所有广告主的adgroup进行全局排序,历史上一些缺少投放机会或者效果比较差的广告主会很难得到较好的排名,因此会陷入到投放机会越来越少,预算花不出去的困境。这种排序策略对这些广告主显得有失公平,并且会影响到DSP全局投放的收益。
通过现有的这些排序方法决定某个adgroup参与竞价,不能达到多个广告主间流量分配最优且公平的目的。
因此,互联网广告技术领域急需一种互联网广告实时竞价多广告主多因素流量分配方法,通过设计引入“离线多因素混和打分”和“离线最大花费预估”功能模块,同时配合“分数累积分布估计”和“在线流量分配”模块,能够很好地解决有些广告投放机会越来越少,预算花不出去,对广告主有失公平,并且会影响到DSP全局投放收益的问题。
发明内容
本发明为了解决有些广告投放机会越来越少,预算花不出去,对广告主有失公平,并且会影响到DSP全局投放收益的问题,提供了一种互联网广告实时竞价多广告主多因素流量分配方法,技术方案如下:
互联网广告实时竞价多广告主多因素流量分配方法,包括如下步骤:
步骤一,广告竞价单元adgroup分为离线多因素混合打分、离线最大花费预估、分数累积分布估计和在线流量分配4个功能模块;
步骤二,在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分;
步骤三,在离线最大花费预估功能模块内,对广告进行离线最大花费预估;
最大花费是指如果广告主的预算没有限制,那么广告主在一个投放周期内按照所设置的定向条件对流量进行筛选、出价,并且每次都在外部竞价中获胜的情况下,所构成的花费;
步骤四,在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计;
步骤五,在在线流量分配功能模块内,对广告进行在线流量分配;
步骤六,根据所述步骤四和步骤五计算出的数值进行比较,得出是否参与报价的结论。
优选的,在上述互联网广告实时竞价多广告多因素流量分配方法中,步骤二中在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分的具体步骤为:
首先,计算历史平均CTR,即一定时间窗口内的总体点击率,用于衡量广告竞价单元adgroup的质量;
进一步地,计算历史平均,即一定时间窗口内的总体竞价成功率,用于衡量广告竞价单元adgroup在广告交易市场ADX中的外部竞争力;
进一步地,计算单位成本点击量,即等于1/历史平均,用于衡量广告竞价单元adgroup的质量,单位成本点击量越大,adgroup的质量越高;
进一步地,计算期望,即广告主给每个广告竞价单元adgroup设置的期望单次点击成本;
进一步地,计算历史平均,即一定时间窗口内的总体单次点击成本表现。
根据上述计算出的历史平均CTR、历史平均、期望、历史平,计算多个因素的混合打分,计算公式如下:
;
其中,表示多个因素的混合打分是广告主给每个广告竞价单元adgroup设置的期望单次点击成本,是广告竞价单元adgroup在实际投放中一定时间窗口内的总体单次点击成本表现;得出结论如下:最终分数和广告竞价单元adgroup的质量、外部竞争力以及广告主对其价值期望成正比,而与其实际点击成本的平方成反比。
优选的,在上述互联网广告实时竞价多广告多因素流量分配方法中,步骤三中在离线最大花费预估功能模块内,对广告进行离线最大花费预估的具体步骤为:
首先,基于滑动平均方法对最大花费量进行预估,选定一个时间周期为n天的历史投放数据,确定滑动窗口时间为m天,并且m<n;
进一步地,对于每一个广告竞价单元adgroup,计算一个时间周期n天内每天的最大花费;
进一步地,扫描每天收到的实时竞价RTB流量数据,只要流量中具有的一个或者多个定向特征和广告竞价单元adgroup带有的定向条件相匹配,那么可以计算出单次流量花费,具体公式为:
;
其中,表示单次流量花费expectedCPM,表示模型预测点击率,可以通过点击率预测模型进行预测,或者通过从离线数据中学习得到,或者通过认为设定;
对每天的所有单次流量花费进行求和,得到当天所有流量花费的和,即当天的最大花费;进一步地得到每天的最大花费,使用滑动平均方法计算该时间周期n天内的最大花费,具体公式如下:
;
其中,表示时间周期天内的最大花费,表示时间周期天内第天的最大花费。
优选的,在上述互联网广告实时竞价多广告多因素流量分配方法中,步骤四中在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计的具体步骤为:
首先,按照各个广告竞价单元adgroup在前K天中每天的历史投放数据,分别依据步骤二中的离线多因素混合打分方法进行计算,得出Score值;
进一步地,统计每个Score值或者经过离散化的Score分段对应的参与竞价PV流量;PV表示pageview,即网页浏览;当一个用户访问媒体网站的网页时,产生一次PV;广告交易市场ADX会将媒体、广告位及用户对应的各种PV信息广播到多个需求方平台DSP,每个DSP代表其所代理的广告主进行出价,参与竞价;这些竞价PV的和即为参与竞价PV流量;需要注意的是,参与竞价并不代表能够成功竞得流量,也就是说,并不一定获得展示广告的机会;
进一步地,统计参与竞价PV流量对于Score值或者经过离散化的Score分段的分数累积分布函数,记作F(Score)。
优选的,在上述互联网广告实时竞价多广告多因素流量分配方法中,步骤五中在在线流量分配功能模块内,对广告进行在线流量分配的具体步骤为:
首先,利用步骤二中计算得出的Score值,从所有广告竞价单元adgroup的候选集中选取N个adgroup;
进一步地,在所述N个adgroup中依据步骤三的方法计算值,选择值最大的一个广告竞价单元adgroup;
进一步地,投放初始化阶段获取当前投放周期的预算值,预算值表示一个广告竞价单元adgroup在一个投放周期内的预算限额,即当天最大花费;
进一步地,计算B/T值,其中,B/T值表示在一定概率范围内允许该广告竞价单元adgroup参与竞价的当前PV流量,B表示当前时刻本次投放周期当天的预算剩余量,预算剩余量表示每次PV竞价成功之后,广告竞价单元adgroup都会在预算值的基础上减去当前PV的花费,即当天剩余花费,T表示假设预算不受限制的情况下可以实现的最大花费剩余量;
基于所述B/T概率值,使得参与竞价当前PV流量在一个预算日内均匀分布,并且能够在一个预算日结束时消耗掉当日全部预算;为了准确计算这个值,线上需要在投放过程中实时或准实时的获取预算剩余量以及可投最大花费的剩余量。
优选的,在上述互联网广告实时竞价多广告多因素流量分配方法中,步骤六中得出是否参与报价的结论的具体步骤为:
首先,利用步骤二中计算得出的值和步骤四中计算得出的分数累积分布函数F(Score),计算;
其中,表示分数大于值的流量占比,越小,说明值越好,即广告投放质量越高;
进一步地,根据与当通过步骤五计算出的B/T概率值的关系进行在线分配,如果≤B/T,则参与竞价,否则不参与报价。
本发明的有益效果:
1、adgroup广告选择时能够考虑更多的因素,同时兼顾广告的投放质量、成本以及外部竞争力。
2、线上投放系统在决定选出的adgroup是否参与竞价时,除了考虑该adgroup自身的质量、成本及外部竞争力之外,还考虑了广告主的预算消耗情况,使得流量分配更加有效、公平。
3、本发明能够在全局优化广告主收益的同时提升的收益,即提升DSP的收益,离线多因素分数Score站在广告主角度,既考虑了广告质量、广告成本和广告竞争力,又考虑了的收益,即DSP的收益,与的差异越大,DSP的收益也就越大,实现了全局优化,更加实用合理。
附图说明
下面结合附图和具体实施方式来详细说明本发明:
图1是互联网广告实时竞价多广告主多因素流量分配方法的流程图。
具体实施方式
为了使本发明技术实现的措施、创作特征、达成目的与功效易于明白了解,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
图1是互联网广告实时竞价多广告主多因素流量分配方法的流程图。
如图1所示,互联网广告实时竞价多广告主多因素流量分配方法,包括如下步骤:
步骤一,广告竞价单元adgroup分为离线多因素混合打分、离线最大花费预估、分数累积分布估计和在线流量分配4个功能模块;
步骤二,在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分;
步骤三,在离线最大花费预估功能模块内,对广告进行离线最大花费预估;
最大花费是指如果广告主的预算没有限制,那么广告主在一个投放周期内按照所设置的定向条件对流量进行筛选、出价,并且每次都在外部竞价中获胜的情况下,所构成的花费;
步骤四,在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计;
步骤五,在在线流量分配功能模块内,对广告进行在线流量分配;
步骤六,根据所述步骤四和步骤五计算出的数值进行比较,得出是否参与报价的结论。
实施例2:
如图1所示,互联网广告实时竞价多广告主多因素流量分配方法,包括如下步骤:
步骤一,广告竞价单元adgroup分为离线多因素混合打分、离线最大花费预估、分数累积分布估计和在线流量分配4个功能模块;
步骤二,在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分,具体步骤为:
首先,计算历史平均CTR,即一定时间窗口内的总体点击率,用于衡量广告竞价单元adgroup的质量;
进一步地,计算历史平均,即一定时间窗口内的总体竞价成功率,用于衡量广告竞价单元adgroup在广告交易市场ADX中的外部竞争力;
进一步地,计算单位成本点击量,即等于1/历史平均,用于衡量adgroup的质量,单位成本点击量越大,adgroup的质量越高;
进一步地,计算期望,即广告主给每个广告竞价单元adgroup设置的期望单次点击成本;
进一步地,计算历史平均,即一定时间窗口内的总体单次点击成本表现。
根据上述计算出的历史平均CTR、历史平均、期望、历史平,计算多个因素的混合打分,计算公式如下:
;
其中,表示多个因素的混合打分是广告主给每个广告竞价单元adgroup设置的期望单次点击成本,是adgroup在实际投放中一定时间窗口内的总体单次点击成本表现;得出结论如下:最终分数和广告竞价单元adgroup的质量、外部竞争力以及广告主对其价值期望成正比,而与其实际点击成本的平方成反比;
步骤三,在离线最大花费预估功能模块内,对广告进行离线最大花费预估,具体步骤为:
最大花费是指如果广告主的预算没有限制,那么广告主在一个投放周期内按照所设置的定向条件对流量进行筛选、出价,并且每次都在外部竞价中获胜的情况下,所构成的花费;
首先,基于滑动平均方法对最大花费量进行预估,选定一个时间周期为n天的历史投放数据,确定滑动窗口时间为m天,并且m<n;
进一步地,对于每一个广告竞价单元adgroup,计算一个时间周期n天内每天的最大花费;
进一步地,扫描每天收到的实时竞价RTB流量数据,只要流量中具有一个或者多个定向特征和广告竞价单元adgroup带有的定向条件相匹配,那么可以计算出单次流量花费,具体公式为:
;
其中,表示单次流量花费expectedCPM,表示模型预测点击率,可以通过点击率预测模型进行预测,或者通过从离线数据中学习得到,或者通过认为设定;
对每天的所有单次流量花费进行求和,得到当天所有流量花费的和,即当天的最大花费;进一步地得到每天的最大花费,使用滑动平均方法计算该时间周期n天内的最大花费,具体公式如下:
;
其中,表示时间周期天内的最大花费,表示时间周期天内第天的最大花费;
步骤四,在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计,具体步骤为:
首先,按照各个广告竞价单元adgroup在前K天中每天的历史投放数据,分别依据步骤二中的离线多因素混合打分方法进行计算,得出Score值;
进一步地,统计每个Score值或者经过离散化的Score分段对应的参与竞价PV流量;PV表示pageview,即网页浏览;当一个用户访问媒体网站的网页时,产生一次PV;广告交易市场ADX会将媒体、广告位及用户对应的各种PV信息广播到多个需求方平台DSP,每个DSP代表其所代理的广告主进行出价,参与竞价;这些竞价PV的和即为参与竞价PV流量;需要注意的是,参与竞价并不代表能够成功竞得流量,也就是说,并不一定获得展示广告的机会;
进一步地,统计参与竞价PV流量对于Score值或者经过离散化的Score分段的分数累积分布函数,记作;
步骤五,在在线流量分配功能模块内,对广告进行在线流量分配,具体步骤为:
首先,利用步骤二中计算得出的Score值,从所有广告竞价单元adgroup的候选集中选取N个adgroup;
进一步地,在所述N个adgroup中依据步骤三的方法计算值,选择值最大的一个广告竞价单元adgroup;
进一步地,投放初始化阶段获取当前投放周期的预算值,预算值表示一个广告竞价单元adgroup在一个投放周期内的预算限额,即当天最大花费;
进一步地,计算B/T值,其中,B/T值表示在一定概率范围内允许该广告竞价单元adgroup参与竞价的当前PV流量,B表示当前时刻本次投放周期当天的预算剩余量,预算剩余量表示每次PV竞价成功之后,广告竞价单元adgroup都会在预算值的基础上减去当前PV的花费,即当天剩余花费,T表示假设预算不受限制的情况下可以实现的最大花费剩余量;
基于所述B/T概率值,使得参与竞价当前PV流量在一个预算日内均匀分布,并且能够在一个预算日结束时消耗掉当日全部预算;为了准确计算这个值,线上需要在投放过程中实时或准实时的获取预算剩余量以及可投最大花费的剩余量;
步骤六中得出是否参与报价的结论的具体步骤为:
首先,利用步骤二中计算得出的Score值和步骤四中计算得出的分数累积分布函数F(Score),计算;
其中,表示分数大于值的流量占比,越小,说明值越好,即广告投放质量越高;
进一步地,根据与当通过步骤五计算出的B/T概率值的关系进行在线分配,如果≤B/T,则参与竞价,否则不参与报价。
本发明的广告竞价单元adgroup广告选择时能够考虑更多的因素,同时兼顾广告的投放质量、成本以及外部竞争力。
本发明的线上投放系统在决定选出的广告竞价单元adgroup是否参与竞价时,除了考虑该广告竞价单元adgroup自身的质量、成本及外部竞争力之外,还考虑了广告主的预算消耗情况,使得流量分配更加有效、公平。
本发明能够在全局优化广告主收益的同时提升的收益,即提升DSP的收益,离线多因素分数Score站在广告主角度,既考虑了广告质量、广告成本和广告竞争力,又考虑了的收益,即DSP的收益,与的差异越大,DSP的收益也就越大,实现了全局优化,更加实用合理。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.互联网广告实时竞价多广告主多因素流量分配方法,其特征在于,包括如下步骤:
步骤一,广告竞价单元adgroup分为离线多因素混合打分、离线最大花费预估、分数累积分布估计和在线流量分配4个功能模块;
步骤二,在所述离线多因素混合打分功能模块内,对广告进行离线多因素混合打分;
步骤三,在所述离线最大花费预估功能模块内,对广告进行离线最大花费预估;
最大花费是指如果广告主的预算没有限制,那么广告主在一个投放周期内按照所设置的定向条件对流量进行筛选、出价,并且每次都在外部竞价中获胜的情况下,所构成的花费;
步骤四,在所述分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计;
步骤五,在所述在线流量分配功能模块内,对广告进行在线流量分配;
步骤六,根据所述步骤四和步骤五计算出的数值进行比较,得出是否参与报价的结论。
2.根据权利要求1所述的互联网广告实时竞价多广告多因素流量分配方法,其特征在于,所述步骤二中在离线多因素混合打分功能模块内,对广告进行离线多因素混合打分的具体步骤为:
首先,计算历史平均CTR,即一定时间窗口内的总体点击率,用于衡量广告竞价单元adgroup的质量;
进一步地,计算历史平均,即一定时间窗口内的总体竞价成功率,用于衡量广告竞价单元adgroup在广告交易市场ADX中的外部竞争力;
进一步地,计算单位成本点击量,即等于1/历史平均,用于衡量广告竞价单元adgroup的质量,单位成本点击量越大,adgroup的质量越高;
进一步地,计算期望,即广告主给每个广告竞价单元adgroup设置的期望单次点击成本;
进一步地,计算历史平均,即一定时间窗口内的总体单次点击成本表现;
根据上述计算出的历史平均CTR、历史平均、期望、历史平,计算多个因素的混合打分,计算公式如下:
;
其中,表示多个因素的混合打分是广告主给每个广告竞价单元adgroup设置的期望单次点击成本,是广告竞价单元adgroup在实际投放中一定时间窗口内的总体单次点击成本表现;得出结论如下:最终分数和广告竞价单元adgroup的质量、外部竞争力以及广告主对其价值期望成正比,而与其实际点击成本的平方成反比。
3.根据权利要求2所述的互联网广告实时竞价多广告多因素流量分配方法,其特征在于,所述步骤三中在离线最大花费预估功能模块内,对广告进行离线最大花费预估的具体步骤为:
首先,基于滑动平均方法对最大花费量进行预估,选定一个时间周期为n天的历史投放数据,确定滑动窗口时间为m天,并且m<n;
进一步地,对于每一个广告竞价单元adgroup,计算一个时间周期n天内每天的最大花费;
进一步地,扫描每天收到的实时竞价RTB流量数据,只要流量中具有一个或者多个定向特征和广告竞价单元adgroup带有的定向条件相匹配,那么可以计算出单次流量花费,具体公式为:
;
其中,表示单次流量花费expectedCPM,表示模型预测点击率,可以通过点击率预测模型进行预测,或者通过从离线数据中学习得到,或者通过认为设定;
对每天的所有单次流量花费进行求和,得到当天所有流量花费的和,即当天的最大花费;进一步地得到每天的最大花费,使用滑动平均方法计算该时间周期n天内的最大花费,具体公式如下:
;
其中,表示时间周期天内的最大花费,表示时间周期天内第天的最大花费。
4.根据权利要求3所述的互联网广告实时竞价多广告多因素流量分配方法,其特征在于,所述步骤四中在分数累积分布估计功能模块内,对参与竞价PV流量进行分数累积分布估计的具体步骤为:
首先,按照各个广告竞价单元adgroup在前K天中每天的历史投放数据,分别依据步骤二中的离线多因素混合打分方法进行计算,得出Score值;
进一步地,统计每个Score值或者经过离散化的Score分段对应的参与竞价PV流量;PV表示pageview,即网页浏览;当一个用户访问媒体网站的网页时,产生一次PV;广告交易市场ADX会将媒体、广告位及用户对应的各种PV信息广播到多个需求方平台DSP,每个DSP代表其所代理的广告主进行出价,参与竞价;这些竞价PV的和即为参与竞价PV流量;
进一步地,统计参与竞价PV流量对于Score值或者经过离散化的Score分段的分数累积分布函数,记作F(Score)。
5.根据权利要求4所述的互联网广告实时竞价多广告多因素流量分配方法,其特征在于,所述步骤五中在在线流量分配功能模块内,对广告进行在线流量分配的具体步骤为:
首先,利用所述步骤二中计算得出的Score值,从所有广告竞价单元adgroup的候选集中选取N个adgroup;
进一步地,在所述N个adgroup中依据步骤三的方法计算值,选择值最大的一个广告竞价单元adgroup;
进一步地,投放初始化阶段获取当前投放周期的预算值,预算值表示一个广告竞价单元adgroup在一个投放周期内的预算限额,即当天最大花费;
进一步地,计算B/T值,其中,B/T值表示在一定概率范围内允许该广告竞价单元adgroup参与竞价的当前PV流量,B表示当前时刻本次投放周期当天的预算剩余量,预算剩余量表示每次PV竞价成功之后,广告竞价单元adgroup都会在预算值的基础上减去当前PV的花费,即当天剩余花费,T表示假设预算不受限制的情况下可以实现的最大花费剩余量;
基于所述B/T概率值,使得参与竞价当前PV流量在一个预算日内均匀分布,并且能够在一个预算日结束时消耗掉当日全部预算;为了准确计算这个值,线上需要在投放过程中实时或准实时的获取预算剩余量以及可投最大花费的剩余量。
6.根据权利要求5所述的互联网广告实时竞价多广告多因素流量分配方法,其特征在于,所述步骤六中得出是否参与报价的结论的具体步骤为:
首先,利用所述步骤二中计算得出的值和步骤四中计算得出的分数累积分布函数F(Score),计算;
其中,表示分数大于值的流量占比,越小,说明值越好,即广告投放质量越高;
进一步地,根据与当通过所步骤五计算出的B/T概率值的关系进行在线分配,如果≤B/T,则参与竞价,否则不参与报价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574653.5A CN105205696A (zh) | 2015-09-11 | 2015-09-11 | 互联网广告实时竞价多广告主多因素流量分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574653.5A CN105205696A (zh) | 2015-09-11 | 2015-09-11 | 互联网广告实时竞价多广告主多因素流量分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105205696A true CN105205696A (zh) | 2015-12-30 |
Family
ID=54953361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510574653.5A Pending CN105205696A (zh) | 2015-09-11 | 2015-09-11 | 互联网广告实时竞价多广告主多因素流量分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205696A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067274A (zh) * | 2016-12-27 | 2017-08-18 | 北京掌阔移动传媒科技有限公司 | 一个基于混合学习模型的dsp实时竞价广告系统 |
CN108053229A (zh) * | 2017-11-22 | 2018-05-18 | 晶赞广告(上海)有限公司 | 展示请求响应方法及装置、存储介质、终端 |
CN108053252A (zh) * | 2017-12-21 | 2018-05-18 | 广州舜飞信息科技有限公司 | 一种重构程序化广告生态链的对接方式 |
CN108256881A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量过滤方法和装置 |
CN108256883A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量请求分发方法、装置和设备 |
CN108764952A (zh) * | 2018-03-23 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置及电子设备 |
CN109426980A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 确定广告竞价的方法、装置、服务器以及存储介质 |
CN109447675A (zh) * | 2018-09-07 | 2019-03-08 | 上海晶赞融宣科技有限公司 | 线上广告流量分布的校正方法及装置、可读存储介质 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN110533479A (zh) * | 2019-09-04 | 2019-12-03 | 北京深演智能科技股份有限公司 | 一种标识分配方法、装置及电子设备 |
CN110956500A (zh) * | 2019-11-28 | 2020-04-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种广告实时竞价系统中降低广告请求耗时的方法及系统 |
CN111178988A (zh) * | 2020-04-14 | 2020-05-19 | 北京热云科技有限公司 | 筛选广播流量的需求方的方法、流量交易平台和系统 |
CN111401943A (zh) * | 2020-03-10 | 2020-07-10 | 厦门美图之家科技有限公司 | 多源广告竞价系统和方法 |
CN111582940A (zh) * | 2020-05-09 | 2020-08-25 | 北京深演智能科技股份有限公司 | 竞价标的识别方法 |
CN112927011A (zh) * | 2021-02-22 | 2021-06-08 | 上海数川数据科技有限公司 | 一种基于预算比例控制的cpc控制方法 |
-
2015
- 2015-09-11 CN CN201510574653.5A patent/CN105205696A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067274A (zh) * | 2016-12-27 | 2017-08-18 | 北京掌阔移动传媒科技有限公司 | 一个基于混合学习模型的dsp实时竞价广告系统 |
CN108256883A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量请求分发方法、装置和设备 |
CN108256883B (zh) * | 2016-12-28 | 2024-05-14 | 北京奇虎科技有限公司 | 一种流量请求分发方法、装置和设备 |
CN108256881A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量过滤方法和装置 |
CN109426980A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 确定广告竞价的方法、装置、服务器以及存储介质 |
CN108053229A (zh) * | 2017-11-22 | 2018-05-18 | 晶赞广告(上海)有限公司 | 展示请求响应方法及装置、存储介质、终端 |
CN108053252A (zh) * | 2017-12-21 | 2018-05-18 | 广州舜飞信息科技有限公司 | 一种重构程序化广告生态链的对接方式 |
CN108053252B (zh) * | 2017-12-21 | 2022-02-18 | 广州舜飞信息科技有限公司 | 一种重构程序化广告生态链的对接方式 |
CN108764952A (zh) * | 2018-03-23 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置及电子设备 |
CN109447675A (zh) * | 2018-09-07 | 2019-03-08 | 上海晶赞融宣科技有限公司 | 线上广告流量分布的校正方法及装置、可读存储介质 |
CN109447675B (zh) * | 2018-09-07 | 2023-09-26 | 上海晶赞融宣科技有限公司 | 线上广告流量分布的校正方法及装置、可读存储介质 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN110533479B (zh) * | 2019-09-04 | 2020-11-06 | 北京深演智能科技股份有限公司 | 一种标识分配方法、装置及电子设备 |
CN110533479A (zh) * | 2019-09-04 | 2019-12-03 | 北京深演智能科技股份有限公司 | 一种标识分配方法、装置及电子设备 |
CN110956500A (zh) * | 2019-11-28 | 2020-04-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种广告实时竞价系统中降低广告请求耗时的方法及系统 |
CN110956500B (zh) * | 2019-11-28 | 2023-04-18 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种广告实时竞价系统中降低广告请求耗时的方法及系统 |
CN111401943A (zh) * | 2020-03-10 | 2020-07-10 | 厦门美图之家科技有限公司 | 多源广告竞价系统和方法 |
CN111178988A (zh) * | 2020-04-14 | 2020-05-19 | 北京热云科技有限公司 | 筛选广播流量的需求方的方法、流量交易平台和系统 |
CN111582940A (zh) * | 2020-05-09 | 2020-08-25 | 北京深演智能科技股份有限公司 | 竞价标的识别方法 |
CN111582940B (zh) * | 2020-05-09 | 2023-10-10 | 北京深演智能科技股份有限公司 | 竞价标的识别方法及其装置、存储介质及处理器 |
CN112927011A (zh) * | 2021-02-22 | 2021-06-08 | 上海数川数据科技有限公司 | 一种基于预算比例控制的cpc控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205696A (zh) | 互联网广告实时竞价多广告主多因素流量分配方法 | |
CN108269123B (zh) | 广告投放控制方法及装置 | |
Yuan et al. | Real-time bidding for online advertising: measurement and analysis | |
CN105741133A (zh) | 一种针对在线广告投放的步进管理方法 | |
Ren et al. | User response learning for directly optimizing campaign performance in display advertising | |
Zhang et al. | Statistical arbitrage mining for display advertising | |
CN107529654A (zh) | 一种面向展示广告竞价投放系统的动态出价方法 | |
CN101950394A (zh) | 因特网市场营销渠道优化 | |
US20110191191A1 (en) | Placeholder bids in online advertising | |
CN109615442B (zh) | 基于激励视频广告的rtb实时竞价方法 | |
CN111489186A (zh) | 一种面向展示广告自动投放装置的分时段预算管理方法 | |
CN106296247A (zh) | 网络信息资源在线排序方法和装置 | |
CN103795697A (zh) | 一种网络媒介信息投放效果模拟方法和系统 | |
CN105844493A (zh) | 实时竞价广告出价建议实现方法及装置 | |
Asdemir | Bidding patterns in search engine auctions | |
CN112163886A (zh) | 一种基于强化学习的实时竞价广告资源分配方法 | |
CN103593788A (zh) | 在线广告拍卖中的表达性出价 | |
CN105069662A (zh) | 一种基于关键字的网络广告精准投放方法 | |
Tham et al. | Cross-sided liquidity externalities | |
Li et al. | The impact of reserve price on publisher revenue in real-time bidding advertising markets | |
CN106803194A (zh) | 在线竞价概率模型生成方法 | |
CN107133826A (zh) | 基于离散化第一价格和比例分配模型的点击量拍卖机制 | |
Nath et al. | Ad impression forecasting for sponsored search | |
Mardanlou et al. | Statistical plant modeling and simulation in online advertising | |
CN108256881A (zh) | 一种流量过滤方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151230 |
|
WD01 | Invention patent application deemed withdrawn after publication |