CN105741133A

CN105741133A - 一种针对在线广告投放的步进管理方法

Info

Publication number: CN105741133A
Application number: CN201610051352.9A
Authority: CN
Inventors: 刘梦娟; 郭威; 李佩伦; 马小栓; 王巍; 杜伟
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2016-01-26
Filing date: 2016-01-26
Publication date: 2016-07-06

Abstract

本发明提供一种针对在线广告投放的步进管理方法，目的是对实时竞价系统中在线广告的投放速度进行控制，以使预算受限的情况下，广告展示能够获得最大化收益。方法包括：(1)根据历史日志，离线估计每个广告在新的广告投放周期中每个时间段的用户流量、投标成功率、平均赢标价格、关键性能指标等参数；(2)离线估计每个广告在新的投放周期中每个时间段的投放概率；(3)在实际投放过程中，根据已经完成的时间段每个广告的实际预算花费情况，在线调整当前时间段每个广告的投放概率；(4)根据当前时间段的广告投放概率，针对每次广告展示机会，由需求方平台判断是否参与竞价。

Description

一种针对在线广告投放的步进管理方法

技术领域

本发明属于互联网在线广告领域，适用于在线广告通过实时竞价方式进行在线投放的应用场景，通过控制每个广告在不同时间段的投放速度，优化整个广告投放周期中每个广告营销活动通过广告展示获得的收益。

背景技术

随着互联网技术的发展，在线广告已经成为许多互联网平台的主要收入来源。与传统广告相比，在线广告不仅拓宽了媒体渠道，而且在受众覆盖范围、灵活性、针对性、成本和效果评估等方面都更具优势。目前，每天都有数以亿计的广告通过互联网平台在线投放。在线广告的投放形式主要分为两种：搜索广告和显示广告。搜索广告通常是根据用户的搜索关键词，将相匹配的广告与搜索结果页面同时显示，因此搜索广告主要投放在百度、谷歌这样的带有搜索引擎的网络平台上；显示广告通常是以图像的形式展示在网络平台上，网络平台通过直接或间接的方式将广告位售卖给广告商。由于显示广告的实现技术非常成熟，因此目前绝大多数的互联网平台都提供显示广告的在线投放。

显示广告的售卖方式可以分为直接方式和间接方式两种。直接售卖是指广告商和网络平台直接签订一个保证广告展示次数的合同，这个担保式的合同要保证在广告投放周期内网络平台按照规定的投放规则，完成指定次数的广告展示。大多数门户网站的横幅广告属于这种类型，附图1是担保式合同广告的例子。间接售卖是指网络平台将广告位托管给供应方平台这样的中间媒介来管理，并且与之进行收益分成，而广告商为每次获得的广告展示付费。通过间接方式投放的广告通常为效果广告，即追求的是短时间内的回报，包括广告点击率、广告转化率等。附图2是一个效果广告的例子，该广告追求的效果是用户能够通过浏览广告注册为该游戏的玩家。

实时竞价系统是当前显示广告间接售卖的一种重要实现方式，其示意如附图3所示。其中网络平台将自己的广告位托管给供应方平台进行售卖，每当一个用户浏览互联网平台的一个网页时，其对应的广告位将产生一次广告展示机会，这个广告展示机会、用户及上下文相关信息(例如用户的年龄、性别，网页的主题、类别等)将会被实时提交给供应方平台进行售卖；供应方平台针对每次广告展示机会生成一个售卖请求发送给竞价交易平台；竞价交易平台将这个售卖请求及其相关信息发送给需求方平台，请求需求方平台参与这次展示机会的竞价；需求方平台是为广告商服务的，每个广告商将自己需要展示的广告及对受众用户的要求在需求方平台上进行注册，并给每个广告设置每个投放周期的预算金额，需求方平台每当收到一个广告展示机会的售卖请求后，会为在该平台上注册的每个广告，针对该次展示机会实时计算一个竞标价格，并将竞标价格返回给竞价交易平台；竞价交易平台根据出价情况，将广告展示机会给出价最高的广告进行展示，并收取相应费用。实时竞价的基本流程示意如附图4所示，整个实时竞价过程对实时性要求非常高，通常在毫秒级时间内完成。

通过实时竞价方式投放在线广告，能够更为准确地将广告的预算花费到那些更有可能产生回报的广告展示机会上，从而使广告收益得到优化。通常情况下，广告商需要为每个广告营销活动设置投放周期内的预算，需求方平台按照一系列优化算法买下尽可能多的符合广告目标用户群的广告展示机会，以尽可能取得好的广告营销效果。因此，如何在有限预算的情况下，对每次广告展示机会进行评估并给出合理的竞标价格是实时竞价的关键。

目前出价的评估依据主要来源于以下三个方面：用户信息、广告信息和广告出现的上下文环境。这些信息能够潜在地反映出本次广告展示机会对用户产生的效果，需求方平台根据评估结果计算每个广告的竞标价格。遗憾的是，目前的实时出价方法通常只考虑了广告展示机会的质量，不能保证广告预算的充分利用。这是因为在目前的实时竞价系统中很少考虑广告的投放速度问题，需求方平台如果采用激进的出价策略，导致预算花费速度过快，会使广告投放周期的后阶段出现展示机会无法捕获的情况，从而影响广告的展示收益；如果采用保守的出价策略，导致预算花费速度过慢，会使该广告在投放周期内获得的展示机会不足，也会影响广告的展示收益。

理想的在线广告投放策略是，在投放周期内，花光广告预算且获得最大化的展示收益。因此需求方平台不仅需要一个优秀的出价策略，还应该包含一个对广告投放速度进行控制的方法，这就是本发明提出的广告投放步进管理方法。本发明提出的针对在线广告投放速度的步进管理方法主要考虑了两个关键因素：一是符合广告受众要求的广告展示机会质量的变化；二是在不同时间段市场竞争程度的变化。考虑广告展示机会质量的原因是，在投放周期的不同时间段，广告效果会存在差异，例如“黄金时段”的用户可能更容易发生点击转化行为，带来更多收益，因此需要提高广告投放速度；考虑市场竞争程度的原因是，在不同时间段，竞价系统内参与竞价的广告数量会发生变化，当参与竞争的广告数很多时，会导致广告展示机会的购卖成本过高，因此需要适当降低广告投放速度。

需要说明的是本发明提出的广告投放步进管理方法只对在线广告的投放速度进行管理，即计算不同时间段，每个广告的投放概率，不涉及任何的出价策略，因此在实际系统部署时，需要与现有的出价策略结合使用。

发明内容

本发明的目的是为在线广告实时竞价系统的需求方平台提供一种用于管理广告投放速度的方法，以使在广告预算受限的情况下，广告展示能获得最大收益。为实现上述发明目的，本发明提供一种针对在线广告投放的步进管理方法，其特征在于，具体步骤如下：

首先给出本发明内容涉及假设及说明。在本发明中，广告商在需求方平台注册，为广告展示设定受众要求及预算的形式，称为广告活动，一个广告商可以在需求方平台上注册多个广告活动；假设广告活动的一个投放周期为T，本发明将整个广告投放周期平均分割为N个时间段，分别记为T₁,T₂,…T_N，假设需求方平台上需要在下一个投放周期投放的广告活动数为M，将每个广告活动依次记为A₁,A₂,…A_M，因此本发明的目标是计算广告活动A_m(m＝1,2,…M)在新的投放周期的各个时间段T_i(i＝1,2,…N)的广告投放概率p(A_m,T_i)。方法包括两个阶段：第一个阶段是基于最近完成的若干个广告投放周期的历史数据，对新周期各个时间段，每个广告活动的广告投放概率进行离线预估；第二个阶段是在新周期实时投放时，根据已经完成的时间段的预算花费情况，对当前时间段的广告投放概率进行实时调整，从而使每个时间段的投放概率符合新周期的实际情况；

步骤1、需求方平台根据最近若干个广告投放周期实时竞价的历史日志，对广告A_m在下一个广告投放周期的若干关键参数进行离线预估，这些参数将用于估计该广告在下一个广告投放周期不同时间段的投放概率，关键参数定义如下：

第一个参数是广告活动A_m在时间段T_i的用户流量，记为req(A_m,T_i)，表示的是在历史日志的记录中，T_i时间段需求方平台收到的来自竞价交易平台的、符合广告活动A_m受众用户要求的广告展示机会的出价请求数；

第二个参数是广告活动A_m在时间段T_i的投标成功率，记为wr(A_m,T_i)，表示的是在历史日志的记录中，T_i时间段广告活动A_m成功赢标的次数(即获得广告展示的次数)与该广告活动参与竞标的次数的比值，wr(A_m,T_i)∈(0,1)；

第三个参数是广告活动A_m在时间段T_i的平均赢标价格，记为cpw(A_m,T_i)，表示的是在历史日志的记录中，T_i时间段广告活动A_m赢标价格的平均值，需要说明的是这里的赢标价格通常指的是广告活动A_m实际付给竞价交易平台的价格，而不是在实时竞价时的出价，这是因为在当前大多数广告实时竞价系统中，都是按照广义第二高价的市场交易机制收费，即赢标价格是竞价时，竞价交易平台收到的第二高的竞标价格，因此赢标价格通常低于实时竞价时的出价；

第四个参数是广告活动A_m在整个投放周期的平均赢标价格，记为计算公式为：

\overset{&OverBar;}{c p w (A_{m}, T)} = \frac{1}{N} Σ_{i = 1}^{N} c p w (A_{m}, T_{i})

第五个参数是广告活动A_m在时间段T_i的关键性能指标，记为kpi(A_m,T_i)，表示的是在历史日志的记录中，T_i时间段广告活动A_m获得的广告展示机会的质量，可以用点击率或者转化率等指标作为关键性能指标，如果采用点击率作为关键性能指标，计算公式如(1)所示，其中clicknum是广告活动A_m在时间段T_i获得的点击次数，shownum是广告活动A_m在时间段T_i获得的展示次数，点击率越高说明这个时间段广告展示机会的质量越高；如果采用转化率作为关键性能指标，其计算公式如(2)所示，如果用户对广告有兴趣，会点击广告，从而打开广告商品对应的页面，如果用户进一步完成注册、下单等操作，则称为转化，conversionnum指的是广告活动A_m在时间段T_i获得的转化次数，转化率比点击率更能体现广告的实际效果；

C T R (A_{m}, T_{i}) = \frac{c l i c k n u m (A_{m}, T)}{s h o w n u m (A_{m}, T_{i})} - - - (1)

C V R (A_{m}, T_{i}) = \frac{c o n v e r s i o n n u m (A_{m}, T_{i})}{s h o w n u m (A_{m}, T_{i})} - - - (2)

第六个参数是广告活动A_m在整个投放周期的平均关键性能指标，记为计算公式为：

\overset{&OverBar;}{k p i (A_{m}, T)} = \frac{1}{N} Σ_{i = 1}^{N} k p i (A_{m}, T_{i})

步骤2、根据步骤1计算的关键参数，离线估计下一个广告投放周期内广告活动A_m在时间段T_i内的广告投放概率p(A_m,T_i)，计算公式如(3)所示：

p(A_m,T_i)＝c(A_m)*qf(A_m,T_i)*cf(A_m,T_i)p(A_m,T_i)∈(0,1)(3)

其中，c(A_m)是对广告活动A_m在新的投放周期中广告投放概率基准值的估计，它是基于历史数据计算的，计算公式如(4)所示：

c (A_{m}) = \frac{B G T (A_{m})}{Σ_{i = 1}^{N} r e q (A_{m}, T_{i}) * q f (A_{m}, T_{i}) * c f (A_{m}, T_{i}) * w r (A_{m}, T_{i}) * c p w (A_{m}, T_{i})} - - - (4)

这里，BGT(A_m)表示的是广告活动A_m在新的投放周期的广告预算，根据公式(4)可知，c(A_m)在整个投放周期中是常数，考虑到在实际情况中赢标率、性能指标以及赢标花费的存在一定的预测误差因而导致其乘积在不同时间段内的波动范围有限，那么在一段时间段内，广告活动A_m的广告的投放量应正比于该时间段的符合受众要求的用户流量；

这里，qf(A_m,T_i)是广告活动A_m在时间段T_i内的广告展示机会的质量指标，用以反映广告活动A_m在时间段T_i内的广告展示的质量与该广告活动在整个投放周期内的广告展示的平均质量相比的优劣程度，定义如公式(5)所示：

qf(A_m,T_i)＝f(β(A_m,T_i))(5)

f (\cdot) = f (x, θ) = \frac{2}{1 + e^{- θ x}},

其中x＝β(A_m,T_i)(θ＞0)(6)

β (A_{m}, T_{i}) = \frac{k p i (A_{m}, T_{i}) - \overset{&OverBar;}{k p i (A_{m}, T)}}{\overset{&OverBar;}{k p i (A_{m}, T)}} - - - (7)

这里，函数f(·)仅是一个映射函数，用于将β(A_m,T_i)映射到一个给定的范围内，可以使用但不限于公式(6)作为映射函数，这里参数θ需要由系统设置θ＞0，以保证f(·)是单调递增函数，附图6是公式(6)的映射曲线示意图，可以将β(A_m,T_i)映射到(0,2)范围内，且β(A_m,T_i)值越大，qf(A_m,T_i)的值越大；因此β(A_m,T_i)是反映当前时间段广告展示质量相比平均展示质量优劣程度的实际指标，定义如公式(7)所示，β(A_m,T_i)与该时间段广告展示的关键性能指标有关：当时，β(A_m,T_i)≥0，说明时间段T_i的广告展示的质量较高，应该增加这个时间段的广告投放概率；当时，β(A_m,T_i)＜0，说明时间段T_i的广告展示的质量较差，应该减少这个时间段的广告投放概率；

这里，cf(A_m,T_i)反映在时间段T_i内，符合广告活动A_m受众要求的广告展示机会的竞争程度，计算方法如公式(8)所示，函数h(·)也是一个映射函数，用于将g(A_m,T_i)的值映射到与qf(A_m,T_i)相同的给定范围内，h(·)是递减函数，如公式(9)所示，这里γ的取值也由系统设置，γ＜0，附图7是公式(9)的映射曲线示意图；

cf(A_m,T_i)＝h(g(A_m,T_i))(8)

h (\cdot) = h (x, γ) = \frac{2}{1 + e^{- γ x}},

其中x＝g(A_m,T_i)(9)

因此，在公式(8)中，g(A_m,T_i)是真正反映广告活动A_m在时间段T_i内竞争程度的指标，定义如公式(10)所示，它与广告活动A_m在时间段T_i的平均赢标价格及A_m的广告展示质量有关，g(A_m,T_i)越大，说明该时间段对广告展示机会的竞争程度越激烈，应该减少广告活动在这个时间段的广告投放概率；

g (A_{m}, T_{i}) = \{\begin{matrix} \frac{\overset{&OverBar;}{β (A_{m}, T)}}{\overset{&OverBar;}{α (A_{m}, T)}} \cdot α (A_{m}, T_{i}) - β (A_{m}, T_{i}) & (\overset{&OverBar;}{α (A_{m}, T)} &NotEqual; 0) \\ - β (A_{m}, T_{i}) & (\overset{&OverBar;}{α (A_{m}, T)} = 0) \end{matrix} - - - (10)

α (A_{m}, T_{i}) = \frac{c p w (A_{m}, T_{i}) - \overset{&OverBar;}{c p w (A_{m}, T)}}{\overset{&OverBar;}{c p w (A_{m}, T)}} - - - (11)

这里α(A_m,T_i)表示广告活动A_m在时间段T_i内的赢标价格与该广告活动在整个投放周期的平均赢标价格相比的高低程度，定义如公式(11)所示，如果该时间段广告活动A_m的平均赢标价格高于整个投放周期的平均赢标价格，则说明该时间段的竞争较激烈；反之，则说明该时间段的竞争较小；是一个调节因子，用于将α(A_m,T_i)的量级调节为与β(A_m,T_i)的量级一致，这里的计算分别如公式(12)、(13)所示，需要说明的是，如果广告活动A_m在每个时间段内的平均赢标价格都是相等的，那么α(A_m,T_i)＝0，即此时公式(10)中，竞争程度指标g(A_m,T_i)只与广告展示质量有关，即如果广告活动A_m在每个时间段的平均赢标价格相等，那么在某个时间段所赢得的广告展示质量越高，说明该时间段的竞争程度越小，应该增加广告活动在这个时段的广告投放概率；

\overset{&OverBar;}{α (A_{m}, T)} = \sqrt{\frac{Σ_{i = 1}^{N} α {(A_{m}, T_{i})}^{2}}{N}} - - - (12)

\overset{&OverBar;}{β (A_{m}, T)} = \sqrt{\frac{Σ_{i = 1}^{N} β {(A_{m}, T_{i})}^{2}}{N}} - - - (13)

通过步骤2，可估计出需求方平台上每个广告活动A_m在给定预算BGT(A_m)的情况下，在新的广告投放周期各个时间段内的投放概率估计值p(A_m,T_i)，离线估计阶段结束；

步骤3、在新周期的实时投放阶段，根据已经完成的时间段的预算花费情况，对当前周期的广告投放概率进行实时调整，从而使每个时间段的投放概率符合新周期的实际情况，调整方法如公式(14)所示：

p^{'} (A_{m}, T_{i}) = p (A_{m}, T_{i}) * \frac{B G T (A_{m}) - Σ_{n = 1}^{i - 1} C (A_{m}, T_{n})}{Σ_{t = i}^{N} r e q (A_{m}, T_{t}) * p (A_{m}, T_{t}) * w r (A_{m}, T_{t}) * c p w (A_{m}, T_{t})} - - - (14)

其中，C(A_m,T_n)表示广告活动A_m在已完成的时间段T_n的实际花费，表示已经完成的前i-1个时间段，广告活动A_m的实际总花费，这里对调整方法说明如下：表示在剩余(N-i+1)个时间段实际可用的预算金额；

Σ_{t = i}^{N} r e q (A_{m}, T_{t}) * p (A_{m}, T_{t}) * w r (A_{m}, T_{t}) * c p w (A_{m}, T_{t})

表示剩余(N-i+1)个时间段离线估计可用的预算金额；当实际可用金额比预算金额多时，适当将T_i阶段的广告投放概率调高；当实际可用金额比预算金额少时，适当将T_i阶段的广告投放概率调低；需要说明的是，步骤3的执行应该在T_i-1时间段的广告投放完成，T_i时间段的广告投放还没开始的时间段执行，因此对实时性的要求非常高；

步骤4、针对每次到达需求方平台的广告展示机会，需求方平台首先该机会是否符合广告活动A_m的受众用户要求，如果不符合，就直接放弃这次展示机会的竞价；如果符合，则生成一个[0,1]的随机数，如果这个随机数小于广告活动A_m在当前时间段的广告投放概率p′(A_m,T_i)，则启动相应的竞价策略，对该次广告展示机会进行报价，否则放弃这次展示机会的竞价。

当一个广告活动的投放周期完成时，需求方平台需要更新历史数据，并按照新的历史数据，重新计算步骤1中的关键参数，然后按照步骤2估计每个广告活动在下一个广告投放周期每个时间段的投放概率。

需要特别说明的是，本发明提供的针对在线广告投放的步进管理方法，只适用于网络平台提供的广告展示机会远大于广告实际希望展示次数的情况。对于那些本身对受众用户要求严格，符合要求的广告展示机会少于广告实际希望展示次数，或者竞价算法出价太低导致竞标成功率过低，从而难以花完预算的广告活动，应不对其广告投放进度进行控制。

通过本发明提供的在线广告投放进度管理方法，可以对实时竞价系统中在线广告的投放速度进行控制，以使在预算受限的情况下，广告展示能够获得最大化收益。实验结果表明该进度管理方法确实能在广告展示机会远大于广告实际需要展示次数的情况下，根据不同时间段的用户流量、广告竞争展示机会的激烈程度、广告展示的质量，合理安排每个广告活动在各个时间段的广告投放概率，从而提升广告活动在整个投放周期的总体收益。

附图说明

图1是本发明背景技术中提供的一种担保式合同广告的例子

图2是本发明背景技术中提供的一种效果广告的例子

图3是本发明背景技术中提供的一种实时竞价系统的架构示意图

图4是本发明背景技术中提供的实时竞价的基本流程示意图

图5是本发明提供的一种针对在线广告投放的步进管理方法的流程图

图6是本发明发明内容中提供的一个映射函数f(·)的映射曲线示意图

图7是本发明发明内容中提供的一个映射函数h(·)的映射曲线示意图

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

附图5是本发明提供的一种针对在线广告投放的步进管理方法的流程图，步骤包括：

步骤1、需求方平台根据最近W个广告投放周期实时竞价的历史日志，对广告活动A_m在下一个广告投放周期的关键参数进行离线预估，参数包括：

广告活动A_m在时间段T_i的用户流量req(A_m,T_i)；

广告活动A_m在时间段T_i的投标成功率wr(A_m,T_i)；

广告活动A_m在时间段T_i的平均赢标价格cpw(A_m,T_i)；

广告活动A_m在整个投放周期的平均赢标价格

广告活动A_m在时间段T_i的关键性能指标kpi(A_m,T_i)；

广告活动A_m在整个投放周期的平均关键性能指标

如果是使用最近W个广告投放周期的历史数据进行参数估计，在本发明中并不限定这些参数的估计方法，既可以采用回归预测、马尔科夫预测等经典预测方法，也可以采用最简单的等权重移动平均预测法，例如req(A_m,T_i)的计算公式如下：

r e q (A_{m}, T_{i}) = \frac{1}{W} Σ_{w = 1}^{W} r e q (A_{m}, T, w)

其中，req(A_m,T,w)表示在最近的第w个广告投放周期中，需求方平台在时间段T_i收到的符合广告活动A_m受众需求的广告展示机会的报价请求数；

如果广告活动A_m是一个新在需求方平台注册的广告，那么历史记录中将没有关于广告活动A_m竞价情况的相关数据，这就是冷启动问题，本发明不限制解决冷启动问题的方法，可以使用与该广告活动A_m受众要求相同(相似)的广告活动的参数值代替作为新注册广告的参数值，也可以使用需求方平台中，该参数值的平均值来代替，即：req(A_m,T_i)是需求方平台中其他非新注册广告活动在时间段T_i的用户流量的均值；wr(A_m,T_i)是需求方平台中其他非新注册广告活动在时间段T_i的投标成功率的均值；cpw(A_m,T_i)是需求方平台中其他非新注册广告活动在时间段T_i的平均赢标价格的均值；是需求方平台中其他非新注册广告活动在整个投放周期的平均赢标价格的均值；kpi(A_m,T_i)是需求方平台中其他非新注册广告活动在时间段T_i的关键性能指标的均值；是需求方平台中其他非新注册广告活动在整个投放周期的平均关键性能指标的均值；需要说明的是，由于广告的转化结果较点击结果更难统计，因此大多数情况下，使用点击率作为关键性能指标；

步骤2、根据步骤1计算的关键参数，离线估计下一个广告投放周期内广告活动A_m在时间段T_i内的广告投放概率p(A_m,T_i)；

首先，根据公式(7)、(11)分别计算β(A_m,T_i)和α(A_m,T_i)：β(A_m,T_i)是估计值，预测广告活动A_m在下一个广告投放周期的时间段T_i内的广告展示质量相比该广告活动在下一个投放周期的平均展示质量的优劣程度；α(A_m,T_i)也是估计值，预测广告活动A_m在下一个广告投放周期的时间段T_i内的赢标价格与该广告在下一个投放周期的平均赢标价格相比的高低程度；它们都是基于最近W个广告投放周期的历史数据的估计值；

β (A_{m}, T_{i}) = \frac{k p i (A_{m}, T_{i}) - \overset{&OverBar;}{k p i (A_{m}, T)}}{\overset{&OverBar;}{k p i (A_{m}, T)}}

α (A_{m}, T_{i}) = \frac{c p w (A_{m}, T_{i}) - \overset{&OverBar;}{c p w (A_{m}, T)}}{\overset{&OverBar;}{c p w (A_{m}, T)}}

其次，根据公式(5)、(8)分别计算qf(A_m,T_i)和cf(A_m,T_i)，这里需要选择两个映射函数，在本发明中并不限制映射函数的具体形式，只需要保证两个映射函数的映射范围一致，及qf(A_m,T_i)递增，cf(A_m,T_i)递减；在具体实施方式中，建议采用公式(6)、(9)作为映射函数；

qf(A_m,T_i)＝f(β(A_m,T_i))

cf(A_m,T_i)＝h(g(A_m,T_i))

其中

g (A_{m}, T_{i}) = \{\begin{matrix} β (A_{m}, T_{i}) - \frac{\overset{&OverBar;}{β (A_{m}, T)}}{\overset{&OverBar;}{α (A_{m}, T)}} \cdot α (A_{m}, T_{i}) & (\overset{&OverBar;}{α (A_{m}, T)} &NotEqual; 0) \\ β (A_{m}, T_{i}) & (\overset{&OverBar;}{α (A_{m}, T)} = 0) \end{matrix}

第三，根据公式(4)计算c(A_m)，它是对广告活动A_m在下一个投放周期中广告投放概率基准值的估计；

c (A_{m}) = \frac{B G T (A_{m})}{Σ_{i = 1}^{N} r e q (A_{m}, T_{i}) * q f (A_{m}, T_{i}) * c f (A_{m}, T_{i}) * w r (A_{m}, T_{i}) * c p w (A_{m}, T_{i})}

第四，根据公式(3)估计在下一个广告投放周期内，广告活动A_m在时间段T_i内的投放概率p(A_m,T_i)；重复执行M×N次，即可得到下一个投放周期中，每个广告活动在每个时间段的投放概率估计值；

p(A_m,T_i)＝c(A_m)*qf(A_m,T_i)*cf(A_m,T_i)p(A_m,T_i)∈(0,1)

步骤3、在新周期的实时投放阶段，根据已经完成的时间段的预算花费情况，对当前周期的广告活动投放概率进行实时调整，调整方法如公式(14)所示：

p^{'} (A_{m}, T_{i}) = p (A_{m}, T_{i}) * \frac{B G T (A_{m}) - Σ_{n = 1}^{i - 1} C (A_{m}, T_{n})}{Σ_{t = i}^{N} r e q (A_{m}, T_{t}) * p (A_{m}, T_{t}) * w r (A_{m}, T_{t}) * c p w (A_{m}, T_{t})}

步骤4、针对每次到达需求方平台的广告展示机会，需求方平台首先该机会是否符合广告活动A_m的受众用户要求，如果不符合，就直接放弃这次展示机会的竞价；如果符合，则生成一个[0,1]的随机数，如果这个随机数小于广告活动A_m在当前时间段的投放概率p′(A_m,T_i)，则启动相应的竞价策略，对该次广告展示机会进行报价，否则放弃这次展示机会的竞价。

实施例

本实施例以一个具体广告活动A_a的广告投放日志为例，计算该广告活动A_a在新的投放周期各个时间段的投放概率估计值，然后再根据实际的预算花费情况，对投放概率估计值进行调整。在本实施例中，假设一个广告活动投放周期为一天的时间，将一个投放周期分为6个时间段，分别记为T₁、T₂、T₃、T₄、T₅、T₆，表示0-4时、4-8时、8-12时、12-16时、16-20时、20-24时6个时间段；假设广告活动A_a每天的预算为10000元，其广告展示的受众要求设置为青年女性，因此只有那些满足用户是青年女性的广告展示机会才会请求广告活动A_a对其进行出价，具体步骤如下：

步骤1、根据其最近完成的若干投放周期的历史数据，估计下一个投放周期的关键参数；

如果在本实施例中只基于最近完成的一个投放周期的历史数据进行预测，如果采用最简单的统计平均值作为预测方法，这里以广告活动A_a在T₁时间段的历史数据为例，说明计算过程：假设在T₁时间段内，符合广告活动A_a受众要求的展示机会数为6112次，因此需求方平台收到的符合A_a受众要求的展示机会的报价请求数为6112次；如果A_a在T₁时间段内实际参与竞标的次数为2309次，而赢标次数为485次，那么A_a在T₁时间段的赢标率为wr(A_a,T₁)＝485/2309≈0.21；如果A_a在T₁时间段花费的钱为970元，那么cpw(A_a,T_i)＝970/485＝2.0元；如果在本实施例中使用点击率作为关键性能指标，广告活动A_a在T₁时间段的广告展示中获得6次点击，那么kpi(A_a,T_i)＝6/485≈0.013；依次类推，可得广告活动A_a在每个时间段的参数估计值，假设最终所得的参数估计值如表1所示：

表1

步骤2、根据步骤1计算的关键参数估计值，离线估计下一个广告投放周期内广告活动A_a在每个时间段的投放概率p(A_a,T_i)；

首先，计算根据公式(7)、(11)分别计算β(A_a,T_i)和α(A_a,T_i)，仍以广告活动A_a在T₁时间段的数据为例说明计算过程；

β (A_{a}, T_{1}) = \frac{k p i (A_{a}, T_{1}) - \overset{&OverBar;}{k p i (A_{a}, T)}}{\overset{&OverBar;}{k p i (A_{a}, T)}} = \frac{0.013 - 0.012}{0.012} \approx 0.083

α (A_{a}, T_{1}) = \frac{c p w (A_{a}, T_{1}) - \overset{&OverBar;}{c p w (A_{a}, T)}}{\overset{&OverBar;}{c p w (A_{a}, T)}} = \frac{2.0 - 1.7}{1.7} \approx 0.176

依次类推，可以得到：

表2

	T₁	T₂	T₃	T₄	T₅	T₆
							β(A_a,T_i)	0.083	-0.417	-0.083	0.0	0.250	0.167
α(A_a,T_i)	0.176	0.294	-0.176	-0.117	0.0	-0.176

因此，可计算均值：

\begin{matrix} \overset{&OverBar;}{α (A_{a}, T)} = \sqrt{\frac{Σ_{i = 1}^{6} α {(A_{a}, T_{i})}^{2}}{6}} \approx 0.180 & \overset{&OverBar;}{β (A_{a}, T)} = \sqrt{\frac{Σ_{i = 1}^{6} β {(A_{a}, T_{i})}^{2}}{6}} \approx 0.215 \end{matrix}

其次，根据公式(5)、(8)分别计算qf(A_a,T_i)和cf(A_a,T_i)，这里需要选择两个映射函数，在本实施例中，采用公式(6)、(9)作为映射函数，仍以广告活动A_a在T₁时间段的数据为例说明计算过程；

在本实施例中，设置公式(6)中θ＝0.5，因此有：

q f (A_{a}, T_{1}) = f (β (A_{a}, T_{1})) = \frac{2}{1 + e^{- θ x}} = \frac{2}{1 + e^{- 0.5 β (A_{a}, T_{1})}} = \frac{2}{1 + e^{- 0.5 \times 0.083}} \approx 1.021

由于在本实施例中，因此有：

g (A_{a}, T_{1}) = \frac{\overset{&OverBar;}{β (A_{a}, T)}}{\overset{&OverBar;}{α (A_{a}, T)}} \cdot α (A_{a}, T_{1}) - β (A_{a}, T_{1}) = \frac{0.215}{0.180} \cdot 0.176 - 0.083 \approx 1.111

在本实施例中，设置公式(9)中γ＝-0.5，因此有：

c f (A_{a}, T_{1}) = h (g (A_{a}, T_{1})) = \frac{2}{1 + e^{- γ x}} = \frac{2}{1 + e^{0.5 g (A_{a}, T_{1})}} = \frac{2}{1 + e^{0.5 \times 1.111}} \approx 0.968

依次类推，可以得到：

表3

	T₁	T₂	T₃	T₄	T₅	T₆
							qf(A_a,T_i)	1.021	0.896	0.979	1.0	1.062	1.042
cf(A_a,T_i)	0.968	0.810	1.032	1.035	1.062	1.094

第三，根据公式(4)计算c(A_a)，它是对广告活动A_a在下一个投放周期中广告投放概率基准值的估计；

c (A_{a}) = \frac{B G T (A_{a})}{Σ_{i = 1}^{6} r e q (A_{a}, T_{i}) * q f (A_{a}, T_{i}) * c f (A_{a}, T_{i}) * w r (A_{a}, T_{i}) * c p w (A_{a}, T_{i})} \approx 0.382

第四，根据公式(3)估计在下一个广告投放周期内广告活动A_a在时间段T_i内的投放概率p(A_a,T_i)，仍以时间段T_i的投放概率为例进行说明；

p(A_a,T₁)＝c(A_a)*qf(A_a,T₁)*cf(A_a,T₁)＝0.378

重复执行6次，即可得到下一个投放周期中，广告活动A_a在每个时间段的投放概率估计值，如表4所示：

表4

	T₁	T₂	T₃	T₄	T₅	T₆
							p(A_a,T_i)	0.378	0.278	0.386	0.396	0.432	0.436

步骤3、在新周期的实时投放阶段，根据已经完成的时间段的预算花费情况，对当前周期的广告投放概率进行实时调整，调整方法如公式(14)所示；在本实施例中，假设广告活动A_a在各个时间段T_i的实际花费C(A_a,T_i)如表5所示，可适当调整每个时间段的投放概率，由于时间段T₁是一个广告投放周期的起始时间段，开始之前没有广告投放，因此不需要对该时间段的投放概率估计值进行调整，在本实施例中以广告活动A_a在时间段T₂的投放概率调整为例，进行说明：

p^{'} (A_{a}, T_{2}) = p (A_{a}, T_{2}) * \frac{B G T (A_{a}) - C (A_{a}, T_{1})}{Σ_{t = 2}^{6} r e q (A_{a}, T_{t}) * p (A_{a}, T_{t}) * w r (A_{a}, T_{t}) * c p w (A_{a}, T_{t})} \approx 0.276

表5

	T₁	T₂	T₃	T₄	T₅	T₆
							p(A_a,T_i)	0.378	0.278	0.386	0.396	0.432	0.436
C(A_a,T_i)	1000	400	1200	1800	3900	Any(1500)
							p′(A_a,T_i)	0.378	0.276	0.388	0.402	0.438	0.428

依次类推，可得广告活动A_a在每个时间段的调整概率如表5所示；

步骤4、针对每次到达需求方平台的广告展示机会，需求方平台首先该机会是否符合广告活动A_a的受众用户要求，如果不符合，就直接放弃这次展示机会的竞价；如果符合，则生成一个[0,1]的随机数，假设在本实施例中，在T₁时间段，该随机数为0.234，那么随机数小于p′(A_a,T₁)，因此放弃这次展示机会的竞价；假设在在T₂时间段，随机数为0.345，那么该随机数大于p′(A_a,T₂)，则启动相应的竞价策略，对该次广告展示机会进行报价。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims

1.一种针对在线广告投放的步进管理方法，其特征在于，包括以下步骤：

步骤1、需求方平台根据最近若干个广告投放周期实时竞价的历史日志，对广告活动A_m在下一个广告投放周期的若干关键参数进行离线预估，这些参数将用于估计该广告在下一个广告投放周期各个时间段的投放概率，参数定义如下：

第一个参数是广告活动A_m在时间段T_i的用户流量估计，记为req(A_m,T_i)，表示的是在下一个广告投放周期的T_i时间段内，需求方平台收到的来自竞价交易平台的、符合广告活动A_m受众用户要求的广告展示机会的出价请求数估计值，可通过历史数据对该值进行预测；

第二个参数是广告活动A_m在时间段T_i的投标成功率估计，记为wr(A_m,T_i)，wr(A_m,T_i)∈(0,1)，表示的是在下一个广告投放周期的T_i时间段内，广告活动A_m成功赢标的次数(即获得广告展示的次数)与该广告活动参与竞标的次数的比值的估计值，可通过历史数据对该值进行预测；

第三个参数是广告活动A_m在时间段T_i的平均赢标价格估计，记为cpw(A_m,T_i)，表示的是在下一个广告投放周期的T_i时间段内，广告活动A_m平均赢标价格的估计值，可通过历史数据对该值进行预测；

第四个参数是广告活动A_m在整个投放周期的平均赢标价格估计，记为计算公式为：

第五个参数是广告活动A_m在时间段T_i的关键性能指标估计，记为kpi(A_m,T_i)，表示的是在下一个广告投放周期的T_i时间段内，广告活动A_m获得的广告展示机会的质量估计，可通过历史数据对该值进行预测；

第六个参数是广告活动A_m在整个投放周期的平均关键性能指标估计，记为计算公式为：

步骤2、根据步骤1计算的关键参数，离线估计下一个广告投放周期内广告活动A_m在时间段T_i内的广告投放概率p(A_m,T_i)，计算公式如(1)所示：

p(A_m,T_i)＝c(A_m)*qf(A_m,T_i)*cf(A_m,T_i)p(A_m,T_i)∈(0,1)(1)

其中，c(A_m)是对广告活动A_m在新的投放周期中广告投放概率基准值的估计，它是基于历史数据计算的，计算公式如(2)所示：

c (A_{m}) = \frac{B G T (A_{m})}{Σ_{i = 1}^{N} r e q (A_{m}, T_{i}) * q f (A_{m}, T_{i}) * c f (A_{m}, T_{i}) * w r (A_{m}, T_{i}) * c p w (A_{m}, T_{i})} - - - (2)

这里，BGT(A_m)表示的是广告活动A_m在新的投放周期的广告预算，根据公式(2)可知，c(A_m)在整个投放周期中是常数；qf(A_m,T_i)是广告活动A_m在时间段T_i内的广告展示机会的质量指标，用以反映广告活动A_m在时间段T_i内的广告展示的质量与该广告活动在整个投放周期内的广告展示的平均质量相比的优劣程度；cf(A_m,T_i)是符合广告活动A_m受众要求的广告展示机会在时间段T_i内的竞争程度指标；通过步骤2，可估计需求方平台上每个广告活动A_m在给定预算的情况下，在下一个广告投放周期各个时间段内的广告投放概率估计值p(A_m,T_i)，离线估计阶段结束；

步骤3、在新周期的实时投放阶段，根据已经完成的时间段的预算花费情况，对当前周期的广告投放概率进行实时调整，从而使每个时间段的投放概率符合新周期的实际情况，调整方法如公式(3)所示：

p^{'} (A_{m}, T_{i}) = p (A_{m}, T_{i}) * \frac{B G T (A_{m}) - Σ_{n = 1}^{i - 1} C (A_{m}, T_{n})}{Σ_{t = i}^{N} r e q (A_{m}, T_{t}) * p (A_{m}, T_{t}) * w r (A_{m}, T_{t}) * c p w (A_{m}, T_{t})} - - - (3)

这里，C(A_m,T_n)表示广告活动A_m在已完成的时间段T_n的实际花费；

步骤4、针对每次到达需求方平台的广告展示机会，需求方平台首先判断该机会是否符合广告活动A_m的受众用户要求，如果不符合，就直接放弃这次展示机会的竞价；如果符合，则生成一个[0,1]的随机数，如果这个随机数小于广告活动A_m在当前时间段的广告投放概率p′(A_m,T_i)，则启动相应的竞价策略，对该次广告展示机会进行报价，否则放弃这次展示机会的竞价。

2.根据权利要求1所述的广告活动A_m在时间段T_i内的广告展示的质量指标qf(A_m,T_i)，其特征在于，所述的计算方法为：

qf(A_m,T_i)＝f(β(A_m,T_i))(4)

这里，函数f(·)仅是一个映射函数，用于将β(A_m,T_i)映射到一个给定范围内的值，需要保证f(·)是单调递增函数；β(A_m,T_i)是反映时间段T_i广告展示质量相比平均展示质量优劣程度的实际指标，定义如公式(5)所示，一个时间段的广告展示质量与该时间段广告展示的关键性能指标有关。

3.根据权利要求1所述的符合广告活动A_m受众要求的广告展示机会在时间段T_i内的竞争程度指标cf(A_m,T_i)，其特征在于，所述的计算方法为：

cf(A_m,T_i)＝h(g(A_m,T_i))(6)

这里，映射函数h(·)用于将g(A_m,T_i)的值映射到与qf(A_m,T_i)相同的给定范围内，h(·)是递减函数，g(A_m,T_i)是反映广告活动A_m在时间段T_i内竞争程度的指标，定义如公式(7)所示，它与广告活动A_m在时间段T_i的平均赢标价格及A_m的广告展示质量有关；一个时间段中对广告展示机会的竞争程度越激烈，应该减少广告活动在这个时间段的广告投放概率；

其中，

这里，α(A_m,T_i)表示广告活动A_m在时间段T_i内的赢标价格与该广告活动在整个投放周期的平均赢标价格相比的高低程度；是一个调节因子，用于将α(A_m,T_i)的量级调节为与β(A_m,T_i)的量级一致。