CN107657486A

CN107657486A - 一种广告投放方法及装置

Info

Publication number: CN107657486A
Application number: CN201710974837.XA
Authority: CN
Inventors: 黄建凡; 陈方毅
Original assignee: Xiamen Mei You Information Technology Co Ltd
Current assignee: Xiamen Mei You Information Technology Co Ltd
Priority date: 2017-10-19
Filing date: 2017-10-19
Publication date: 2018-02-02

Abstract

本公开揭示了一种广告投放方法及装置包括：在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源；当广告素材来源为竞价广告时，获取每条竞价广告的广告特征信息；根据每条竞价广告的广告特征信息和广告投放请求指示的用户特征信息，计算每条竞价广告的点击率预测值；根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率；根据每条竞价广告的展示概率，通过随机数表法从竞价广告中选择目标广告进行投放。本公开提供的技术方案，避免了因投放用户不感兴趣的广告造成广告资源的浪费，丰富了广告的种类，避免广告的单一性。

Description

一种广告投放方法及装置

技术领域

本公开涉及互联网技术领域，特别涉及一种广告投放方法及装置。

背景技术

众所周知，互联网广告是互联网行业最主要的赢利模式，流量变现成为互联网商业产品非常重要的评价标准。随着互联网人群定向技术的发展，互联网广告也开始摆脱单一、古板的交易模式，转而向更精确高效的交易模式转变。

传统媒体广告的投放，都是预先设定好，不管设定好的位置有没有用户观看，都会定时定点进行展示，使用户产生被强迫收看的不良感觉，致使部分用户伴随离开行为，对于广告公司来说，广告的投放，都是预先谈好价格和模式，以固定时间，固定模式进行广告的投放，不论投放效果如何，一旦确定好价格和模式，就必须定时定点进行广告投放，缺乏灵活性。

通常情况下，传统媒体广告的投放都是按照的“先竞标，后制作，再投放”的流程进行的，此种广告投放形式存在如下缺陷：投放模式相对固定，缺乏灵活性，不能确保实际的投放效果，造成广告资源浪费。

发明内容

为了解决相关技术中存在的广告投放方式缺乏灵活性，不能确保实际的投放效果，造成广告资源浪费的问题，本公开提供了一种广告投放方法。

一方面，本公开提供了一种广告投放方法，包括：

在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源；

当广告素材来源为竞价广告时，获取每条竞价广告的广告特征信息；

根据所述每条竞价广告的广告特征信息和所述广告投放请求指示的用户特征信息，计算每条竞价广告的点击率预测值；

根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率；

根据每条竞价广告的展示概率，通过随机数表法从所述竞价广告中选择目标广告进行投放。

另一方面，本公开还提供了一种广告投放装置，包括：

素材来源选择模块，用于在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源；

广告特征获取模块，用于当广告素材来源为竞价广告时，获取每条竞价广告的广告特征信息；

点击率计算模块，用于根据所述每条竞价广告的广告特征信息和所述广告投放请求指示的用户特征信息，计算每条竞价广告的点击率预测值；

展示概率计算模块，用于根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率；

目标广告投放模块，用于根据每条竞价广告的展示概率，通过随机数表法从所述竞价广告中选择目标广告进行投放。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开上述示例性实施例提供的技术方案，通过流量漏斗策略选择广告素材来源可以使每种来源都有被选中的可能，丰富广告来源；在选择竞价广告时，根据广告特征和用户特征计算用户对广告的点击率，进一步根据点击率计算广告的展示概率，从而可以使点击率高的广告有更高的展示概率，避免因投放用户不感兴趣的广告造成广告资源的浪费；进一步根据展示概率通过随机数表发选择目标广告进行投放，从而可以使展示概率较低的广告也有机会被投放，而不是一直投放展示概率高的广告，从而可以丰富广告的种类，避免广告的单一性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本公开所涉及的实施环境的示意图；

图2是根据一示例性实施例示出的一种服务器的框图；

图3是根据一示例性实施例示出的一种广告投放方法的流程图；

图4是根据一示例性实施例示出的流量漏斗策略的原理图；

图5是图3对应实施例的步骤310的流程图；

图6是图3对应实施例的步骤320的流程图；

图7是在图3对应实施例的基础上根据一示例性实施例示出的广告投放方法的流程图；

图8是图3对应实施例的步骤340的流程图；

图9是在图3对应实施例的基础上根据一示例性实施例示出的广告投放方法的示意图；

图10是根据一示例性实施例示出的一种广告投放方法的详细流程图

图11是根据一示例性实施例示出的一种广告投放装置的框图；

图12是图11对应实施例的素材来源选择模块的细节框图；

图13是在图11对应实施例的基础上根据另一示例性实施例示出的一种广告投放装置的框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据本公开所涉及的实施环境的示意图。该实施环境包括：服务器110和多个移动终端120。

服务器110和多个移动终端120之间的关联方式，包括硬件的网络关联方式和/或协议，以及二者之间往来的数据关联方式。服务器110具备数据处理能力，服务器110可以基于移动终端120发送的广告投放请求，采用本公开提供的广告投放方法向移动终端120发送合适的广告。

参见图2，图2是本发明实施例提供的一种服务器结构示意图。该服务器200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)222(例如，一个或一个以上处理器)和存储器232，一个或一个以上存储应用程序242或数据244的存储介质230(例如一个或一个以上海量存储设备)。其中，存储器232和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对服务器200中的一系列指令操作。更进一步地，中央处理器222可以设置为与存储介质230通信，在服务器200上执行存储介质230中的一系列指令操作。服务器200还可以包括一个或一个以上电源226，一个或一个以上有线或无线网络接口250，一个或一个以上输入输出接口258，和/或，一个或一个以上操作系统241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。下述图3、图5-图10所示实施例中所述的由服务器所执行的步骤可以基于该图2所示的服务器结构。

本领域普通技术人员可以理解实现下述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

图3是根据一示例性实施例示出的一种广告投放方法的流程图。该广告投放方法的适用范围和执行主体，例如，该方法用于图1所示实施环境的服务器110。如图3所示，该广告投放方法，可以由服务器110执行，可以包括以下步骤310-350。

在步骤310中，在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源；

其中，广告素材来源包括自有品牌广告、第三方DSP平台(需求方平台)提供的广告以及RTB竞价平台(实时竞价平台)提供的竞价广告。而第三方DSP平台提供的广告可以包括有道、淘宝、金山等第三方来源提供的广告。这些第三方来源在流量漏斗中的优先级是独立设置的。所以广告素材来源会超过3个。

对于不同广告素材来源的选择，可以使用流量漏斗策略进行选择。流量漏斗策略参见图4，图4中漏斗等级以4级为例进行说明，需要说明的是，漏斗等级是动态的不是固定4级，不管设置几级，最后一级的概率都可以设置为100％做兜底；例如：来源A：60％，来源B：40％，来源C：30％，来源D：100％.则选择广告A的概率PA＝60％，选择来源B的概率PB＝(1-PA)*40％＝16％,选择来源C的概率PC＝(1-PA-PB)*30％＝7.2％，选择来源D的概率PD＝(1-PA-PB-PC)*100％＝16.8％。每个来源的概率可以根据投放需要自由配置。

可选的，如图5所示，上述步骤310通过流量漏斗策略确定广告素材来源具体包括以下步骤：

在步骤311中，按照不同广告素材来源的优先级，对所有广告素材来源按照优先级由高到低进行排序；

举例来说，竞价广告、自有品牌广告、有道广告、淘宝广告(后两种属于第三方来源)可以按照优先级由高到低排列。为便于描述，以下分别用来源A、来源B、来源C和来源D表示。来源D作为最底层。其中，针对不同的广告位可以设置不同的流量漏斗策略。

在步骤312中，为每种广告素材来源配置被选中的概率值；

根据投放需要，可以自由配置来源A、来源B、来源C和来源D在每级中被选中的概率值。例如，来源A、来源B、来源C和来源D被选中的概率值依次设为来源A：60％，来源B：40％，来源C：30％，来源D：100％。最后一级设置概率值为100％。这样，即使其他优先级高的来源没有被选中，也可以保证展示机会被使用。

在步骤313中，按照优先级由高到低，依次根据当前级别广告素材来源被选中的概率值，通过随机数表法确定是否选择当前级别的广告素材来源；

举例来说，按照优先级由高到低，首先判断最高优先级的来源A。由于来源A概率值为60％，则可以将1-60作为来源A的随机范围，通过生成1-100之间的随机数，如果该随机数落在1-60之间，则选择来源A。

在步骤314中，若不选择当前级别的广告素材来源，跳转至确定是否选择下一级别的广告素材来源，直到确定选择一种广告素材来源。

如果该随机数没有落在1-60之间，则继续判断是否选择下一优先级的广告素材来源(来源B)，来源A概率值为40％，则可以将1-40作为来源B的随机范围，通过生成1-100之间的随机数，如果该随机数落在1-40之间，则选择来源B。如果没有选中，展示机会漏到下一优先级，依次类推，可以根据每种来源配置的百分比(概率值)随机确定是否选择此来源的广告，如果未在随机范围内，则跳过此来源，广告展示机会漏到下一优先级来源。直到选择一种广告素材来源。

根据需要，每种来源也可以设置每天的曝光量和点击量，达到限值则跳过当前来源，漏到下一优先级。

在步骤320中，当广告素材来源为竞价广告时，获取每条竞价广告的广告特征信息；

需要说明的是，如果选中第三方DSP平台提供的广告，则向第三方DSP平台的接口发起请求获取广告素材。如果选中自有品牌广告则从系统数据库中获取对应的广告素材。

当选中由RTB竞价平台提供的竞价广告时，获取每条竞价广告的广告特征信息。广告特征信息包括广告静态特征信息和广告动态特征信息；其中，广告静态特征信息包括广告位置、广告所属行业和广告类型；广告动态特征信息包括广告在不同用户群中的历史点击率。

可选的，如图6所示，步骤320可以包括以下步骤321-323。

在步骤321中，获取所有竞价广告的定向用户信息；

需要说明的是，每种广告都有适合的人群，例如卫生巾广告合适推送给月经期的女性。第一阶段奶粉广告适合推送给宝宝月龄0～6个月的辣妈。由此，数据库中可以提前存储每条竞价广告对应的定向用户信息，定向用户信息可以包括定向身份、孕周、宝宝月龄、所处城市、兴趣爱好等。

在步骤322中，根据所述广告投放请求指示的用户特征信息，筛选出定向用户信息与所述用户特征信息匹配的所有竞价广告；

其中，用户特征信息包括用户年龄、所处城市、婚姻状态(已婚、未婚)、用户身份模式(记经期、备孕、怀孕、辣妈)、用户是否有宝宝(是、否)。心情状态信息可(伤心、不开心、一般、开心或超开心)。此外，用户特征信息还可以包括用户所使用的移动终端操作系统(iso、android)、兴趣爱好(购物、亲子宝贝、房产、投资、汽车、居家生活、美容护理、教育出国、旅游、减肥健康)。

由此，根据用户特征信息和每条竞价广告的定向用户信息，可以筛选出用户特征信息和定向用户信息匹配的竞价广告。也就是说，根据用户特点和广告的适用人群特点，筛选出适合向用户推送的竞价广告。例如，用户年龄是22岁，广告定向用户信息包含的年龄区间是20-28岁，则该广告就是与用户匹配的，适合向用户推送的广告。

在步骤323中，获取筛选出的每条竞价广告的广告特征信息。

在筛选出与用户特征信息匹配的竞价广告后，为筛选出的每条竞价广告获取广告特征信息。

在步骤330中，根据所述每条竞价广告的广告特征信息和所述广告投放请求指示的用户特征信息，计算每条竞价广告的点击率预测值；

其中，用户特征信息包括用户状态信息和用户偏好信息。用户状态信息包括用户身份状态信息、心情状态信息、当前所处经期阶段信息中的至少一种；用户偏好信息包括阅读偏好、购物偏好和广告偏好中的至少一种。

可选的，步骤330具体可以包括以下步骤331和步骤332。

在步骤331中，对所述用户特征信息以及每条竞价广告的广告特征信息进行组合编码，构建每条竞价广告对应的新特征向量；

对于用户特征信息和广告静态特征信息可以做0、1编码(OHE，One-Hot-Encoding独热编码)，例如婚姻状态特征有两个取值，未婚和已婚，用一个二维向量表示，向量值为0或者1，假设第一个维度表示未婚，第二个维度表示已婚，由于一个用户只有一个状态，那么其向量只有一个维度的值是1，如未婚：[1,0]，已婚：[0,1]。

对于OHE后的用户特征信息和OHE后的广告静态特征信息做“与”(同时为1才为1，否则为0)运算，可以得到一个新向量。

广告动态特征信息包括广告在不同用户群中的历史点击率，也就是用户和广告交叉的反馈点击率，可以采用浮点数编码方式。点击率是一个浮点数，需要将其离散化，即采用等频划分的方法，将浮点数映射到区间段中，如按照[0,0.001)、[0.001,0.002)、[0.002,0.003)、[0.003,1]映射到这4个区间段，对应一个4维向量，当某个点击率(浮点数)的大小处于当前区间段中时，当前维度的值为1，其余为0。如当前反馈点击率为0.00243时，映射后得到的向量为[0,0,1,0]。

将上述“与”运算后得到的新向量和广告动态特征信息的向量组成新特征向量。

在步骤332中，将每条竞价广告对应的新特征向量输入预先建立的广告点击率预测模型，得到每条竞价广告对应的点击率预测值。

其中，广告点击率预测模型可以是逻辑回归模型。逻辑回归(LogisticRegression)模型是用于预测二进制分类结果的分类模型，被广泛应用在诸多领域，适用于响应变量是二分类(0不点击/1点击)变量的情况，其目标是对响应变量取二值之一的概率建模，而不是直接预测其取值。逻辑回归模型能够很好地描述0/1概率问题，因此可以用于广告点击率预测模型。

所谓广告点击率预测模型是用来量化点击事件的数据指标，点击率预测模型的建立包括不同的用户、广告特征信息，而这些特征信息正是造成广告点击率差异的原因，通过已有的信息数据训练出逻辑回归模型参数。之后将新用户特征和广告特征输入已经经过训练的逻辑回归模型，从而可以输出广告点击率。由于不同用户的特点不同，即使是同一用户，在不同时期，所处身体状态、心情等都不同，所以现有技术仅根据用户搜索的关键字向用户展示广告，并不能准确满足不同用户在不同时期对广告的需求，从而造成广告资源的浪费。

如图7所示，在上述步骤332之前，本公开实施例提供的方法还包括以下步骤701-704。

在步骤701中，从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

具体的，可以从服务器110的存储介质230中获取历史广告投放日志。历史广告是指在判断用户对某广告的点击率之前已经投放过的广告，是一个相对概念。另外需要说明的是，每条广告投放日志中记录了某用户的信息(如用户ID即用户编号)、某广告的信息(如广告ID即广告编号)，以及广告相对应的动作(如广告请求、下发、展示、点击)。因此，对投放日志做ETL(数据仓库技术，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程)，可以从每条广告投放日志中，获取到所投放广告ID，该广告ID对应的用户ID，以及该用户ID对应用户对该广告ID对应广告的点击情况。其中，根据一个广告展示后，是否被点击可以打上两个标签值，展示-点击：1，展示-不点击：0。

在步骤702中，获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

具体的，在从投放日志中获取到广告ID和用户ID后，可以根据用户ID获取到用户ID对应的历史用户特征信息，根据广告ID可以获取到广告ID对应的历史广告特征信息。

其中，历史用户特征信息包括历史用户状态信息和历史用户偏好信息。进一步的，历史用户状态信息包括历史用户的身份状态信息、心情状态信息、所处经期阶段信息中的至少一种；历史用户偏好信息包括阅读偏好、购物偏好和广告偏好中的至少一种。

举例来说，历史用户的身份状态信息可以包括用户年龄、所处城市、婚姻状态(已婚、未婚)、用户身份模式(记经期、备孕、怀孕、辣妈)、用户是否有宝宝(是、否)。心情状态信息可以是伤心、不开心、一般、开心或超开心。所处经期阶段包括月经期、安全期、易孕期和排卵后期。这些信息均可以在历史用户登入移动终端的120软件APP后进行输入，再上传至服务器110进行存储。

历史广告特征信息包括历史广告动态特征信息和历史广告静态特征信息。可选的，所述历史广告静态特征信息包括：历史广告位置、历史广告所属行业和历史广告类型；所述历史广告动态特征信息包括历史广告在不同用户群中的历史点击率。其中，历史广告在不同用户群(如月经期用户群、18岁用户群)中的历史点击率可以根据历史广告投放记录计算出来。

在步骤703中，将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

其中，构建历史特征向量的方法可以参照上述构建新特征向量的过程。通过分别对历史用户特征信息和历史广告静态特征信息进行OHE独热编码，将OHE后的历史用户特征信息和OHE后的历史广告静态特征信息做“与”运算，得到历史组合特征向量；对历史广告动态特征信息进行浮点数编码得到历史动态特征向量；将历史组合特征向量与历史动态特征向量组成历史特征向量。

在步骤704中，根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到广告点击率预测模型。

其中，逻辑回归模型的表达形式为公式(1)：

a代表广告特征，u代表用户特征，c代表其他特征(例如时间特征、上下文特征等)。x为特征向量，也就是a、u、c特征构成的历史特征向量。y＝1表示点击、y＝0表示不点击。w为系数向量，也就是需要求解的参数，w^T表示转置。将构造出来的所有历史特征向量和对应的标签值(点击为1，不点击为0)作为训练集训练上述逻辑回归模型，通过极大似然估计法、梯度下降、随机梯度下降、拟牛顿法等(这些方法属于现有技术在此不再赘述)可以估计出模型参数w，将得到的参数w带入上式就可以得到广告点击率预测模型。

在步骤340中，根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率；

其中，展示资源可以是广告主对某竞价广告的出价，以及广告剩余预算或账户余额。服务器110根据每一竞价广告的点击率预测值、出价、以及广告剩余预算或广告主的账户余额等信息，可以计算出每一竞价广告对应的展示概率。展示概率越大表示该广告被投放的可能性越大。

具体的，如图8所示，步骤340可以包括以下步骤341-343。

在步骤341中，获取广告提供方为投放每条竞价广告提供的展示资源；

根据每一竞价广告的ID可以从数据库中获取预先存储的与该竞价广告ID对应的信息，包括广告主对该广告的出价、广告主的账户余额或广告剩余预算。

在步骤342中，根据每条竞价广告对应的点击率预测值和展示资源，预估投放每条竞价广告产生的反馈资源；

具体的，通过计算每条竞价广告的eCPM(千次展示收益)预估投放每条竞价广告产生的反馈资源。千次展示收益可以采用以下公式进行计算：

以CPC(每次点击价格)出价时，eCPM＝1000*CTR*CPC，其中CTR为点击率预测值。

以CPM(每千次展示价格)出价时：eCPM＝CPM。

在步骤343中，根据所述投放每条竞价广告产生的反馈资源计算每条竞价广告的展示概率。

具体的，可以设定一个用于控制不同反馈资源(如千次展示收益)带来的展示概率差距的展示概率系数(μ)。其中，展示概率系数越大，则千次展示收益差距带来的展示概率差距就越大。在一种示例性实施例中，根据每个竞价广告的eCPM和展示概率系数计算每条竞价广告的展示概率可以采用如下公式(2)进行计算：

其中，Pi为第i条竞价广告的展示概率，eCPM_i为第i条竞价广告的千次展示收益，μ为展示概率系数，n代表一共有n条广告。

需要说明的是，如果某一广告的广告主剩余预算或账户余额较少，导致该广告的剩余展示(投放)次数较低时，则可以对该广告的展示概率乘以相应的降速系数。如下表1所示，为剩余展示次数和对应的降速系数示例。

表1剩余展示数和对应降速系数示例

剩余展示数	降速系数
		>20000	1(不做降速)
<＝20000	0.5
		<＝10000	0.2
<＝5000	0.1

从表1中可以看出，当剩余展示次数较多(>20000)时，降速系数为1，也就是不做降速，在剩余展示次数不多(<＝20000)时，对于不同的剩余展示数，可以分别设定降速系数值。降速系数与剩余展示数相对应，剩余展示数越少，降速系数越小。其中，降速系数和剩余展示数的对应关系可以根据历史经验提前设定。

在一种实施例中，根据每条竞价广告的反馈资源和对应的降速系数计算每条竞价广告的展示概率，采用如下公式(3)：

其中，Pi为第i条广告的展示概率，eCPMi为第i条广告的千次展示收益，μ为预设的展示概率系数，σi为第i条广告的降速系数，n为广告条数的总数。

在步骤350中，根据每条竞价广告的展示概率，通过随机数表法从所述竞价广告中选择目标广告进行投放。

具体的，根据每条竞价广告的展示概率，得到与每条竞价广告的展示概率对应的数值区间，通过生成随机数，根据随机数所在数值区间，选择该数值区间对应的竞价广告向用户进行投放。

举例来说，假设存在三个竞价广告A、B、C的展示概率分别为0.1，0.3，0.6。可以将展示概率乘以100，得到10，30，60，可以将1-10作为广告A的数值区间，将11-40作为广告B的数值区间，将41-100作为广告C的数值区间，之后可以通过生成一个随机数，判断随机数落在哪个数值区间内，就选择对应的广告向用户展示。

例如，生成的随机数为32，落在广告B的区间11-40，则可以向用户投放广告B，对广告B进行展示。假设生成的随机数为61落在广告C的区间41-100，则返回广告C进行展示。

通过生成随机数的方式，可以保证每条广告都有被投放的可能，而不是每次都投放展示概率高的广告，从而可以避免每次都投放相同的广告，使投放的广告多样化，丰富广告种类。

进一步的，如图9所示，在上述步骤340之后，本公开提供的方法还可以包括以下步骤901-904。

在步骤901中，接收上报的广告事件，所述广告事件包括展示事件或点击事件；

在广告投放后，如果广告曝光给用户或被用户点击，服务器11接收移动终端120上报的广告事件，该广告事件为展示事件或点击事件。广告事件包含的信息可以有：应用ID(哪个应用)、广告位、事件类型(展示/点击)、广告唯一ID、IP地址、设备平台(IOS/ANDROID)、网络类型(4G/WIFI)等。

需要说明的是，每个广告都有唯一ID，服务器110在下发广告时，会随广告一起下发广告ID，移动终端120上报的时候也会带上该广告ID。广告ID由广告主ID、计划ID、素材组ID、素材ID、扣费价、广告下发当时的时间戳、随机数和md5摘要(采用MD5算法计算得到的信息摘要值)这些信息组合形成。广告主ID、计划ID、素材组ID、素材ID可以从数据库获取，扣费价可以根据计费公式计算得到，随机数是广告下发时随机生成的。

即ad_id(广告ID)＝

user_id+plan_id+group_id+material_id+price+time+rand+md5_val (4)

其中，user_id为广告主ID，plan_id为计划ID，group_id为素材组ID，material_id为素材ID，price为扣费价，time为广告下发当时的时间戳，rand为随机数，md5_val为md5摘要。

例如，ad_id可以为：

“2159_5042_9172_29327_1.02_1504622460_P83JCe47a929a”

其中，2159为user_id，5042为plan_id，9172为group_id，29327为material_id，1.02为price，1504622460为time，P83JC为rand，e47a929a为md5_val。

而其中的md5_val＝

md5(user_id+plan_id+group_id+material_id+price+time+rand+salt) (5)

需要强调的是，salt为md5盐值，不下发，存在服务器11中。举例来说，假设广告A、广告B、广告C、广告D按照eCPM由高到低依次排序，则投放广告B的扣费价(price)为：

若出价方式为CPC(每次点击出价)，则单次点击扣费＝也就是

若出价方式为CPM(每千次展示出价)，则也就是广告C的eCPM除以1000。

在步骤902中，根据所述广告事件携带的广告标识信息，计算广告验证码；

具体的，服务器110根据广告事件携带的广告标识信息(即广告唯一ID)，根据该广告ID中携带的user_id、plan_id、group_id、material_id、price、time、rand以及自身存储的md5盐值，采用上述公式(5)计算md5_val值，即得到广告验证码。由于md5盐值不下发，存在服务器110中，所以只有服务器110可以计算出md5_val，通过校验md5_val就可以保证ad_id不会被伪造。

在步骤903中，将所述广告验证码与所述广告标识信息中的广告校验码进行比对；

具体的，服务器110将步骤902计算得到的广告验证码与上报的广告事件中广告ID所携带的md5_val(即广告校验码)进行比对。

在步骤904中，若所述广告验证码和所述广告校验码一致，获取所述广告标识信息中的广告下发时间；

在步骤905中，将所述广告下发时间与当前时间进行比对，若所述广告下发时间与当前时间的时间间隔小于预设值，则所述广告事件作为投放所述目标广告的计费依据。

具体的，如果步骤903比对后得到验证码和校验码相同，则表示上报的广告事件是合法上报，否则认为是无效上报，不作为计费依据。在确认是合法上报后，根据广告ID所携带的广告下发时间(time)，将广告下发时间与当前时间进行比对。如果广告下发时间与当前时间的时间间隔大于等于预设值(例如2小时)，则表示上报的广告事件已经过期，可以当成无效上报废弃掉，即不再作为计费依据。相反的，如果广告下发时间与当前时间的时间间隔小于预设值，则认为上报的广告事件是有效事件，上报的广告事件作为计费的依据。

进一步的，服务器110在获取到有效上报数据后，可以统计出广告的展示次数和点击次数。若出价方式为CPM，则针对展示次数进行扣费，若出价方式为CPC则针对点击次数进行扣费，扣费方式如下：

根据此次展示/点击的扣费价格(price)，扣除广告主账户的点数；

找到广告主所属的代理商，按系统设置比例扣除代理商账户的现金、虚拟金、消费券；除不尽按照小数点后两位抹零计算，少扣的按照优先级补扣。优先级：现金＞消费券＞虚拟金。

例如：消费100元，扣款比例1:1:1。三种余额分别扣33.33元，总计99.99元，还有0.01元少扣。按照优先级补扣现金账户0.01元。

如图10所示，为一种实施例提供的广告投放方法的详细流程示意图。首先，服务器110部署的RTB竞价平台的业务端创建代理商账户和广告主账户，对代理商账户进行充值，按照充值金额为广告主账户分配消费点数。构建广告计划，并对广告主提供的广告素材进行审核，将合法的广告素材和广告主账户的消费点数存储在服务器110的广告库中。

服务器110在接收到客户端的广告请求时，进行广告来源的选择，选择自有品牌广告、第三方广告或竞价广告。在选择竞价广告时，服务器110部署的RTB竞价平台的策略端根据广告请求携带的用户标签，筛选出与用户标签匹配的竞价广告。然后对筛选出的广告按照千次展示收益由高到低进行排序，通过建立点击率预测模型，预估每条竞价广告的点击率预测值，根据千次展示收益和点击率预测值计算每条竞价广告的展示概率。并根据展示概率通过随机数表发选择广告进行投放。

在进行广告投放后，服务器110接收上报的广告事件(展示或点击)，服务器110部署的RTB竞价平台的计费系统对上报的广告事件进行数据校验，得到校验有效的广告事件。在获得有效广告事件后统计展示次数或点击次数，根据展示次数或点击次进行扣费，扣除广告主账户的点数和代理商账户的资金。

本公开上述示例性实施例提供的技术方案，通过流量漏斗策略选择广告素材来源可以使每种来源都有被选中的可能，在选择竞价广告时，根据广告特征和用户特征计算用户对广告的点击率，进一步根据点击率计算广告的展示概率，从而可以使点击率高的广告有更高的展示概率，避免因投放用户不感兴趣的广告造成广告资源的浪费，进一步根据展示概率通过随机数表发选择目标广告进行投放，从而可以使展示概率较低的广告也有机会被投放，而不是一直投放展示概率高的广告，从而可以丰富广告的种类，避免广告的单一性。

下述为本公开装置实施例，可以用于执行本公开上述服务器110执行的广告投放方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开广告投放方法实施例。

图11是根据一示例性实施例示出的一种广告投放装置的框图，该广告投放装置可以用于图1所示实施环境的服务器110中，执行图3、图5-10任一所示的广告投放方法的全部或者部分步骤。如图11所示，该装置包括但不限于：素材来源选择模块1110、广告特征获取模块1120、点击率计算模块1130、展示概率计算模块1140以及目标广告投放模块1150。

素材来源选择模块1110，用于在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源；

广告特征获取模块1120，用于当广告素材来源为竞价广告时，获取每条竞价广告的广告特征信息；

点击率计算模块1130，用于根据所述每条竞价广告的广告特征信息和所述广告投放请求指示的用户特征信息，计算每条竞价广告的点击率预测值；

展示概率计算模块1140，用于根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率；

目标广告投放模块1150，用于根据每条竞价广告的展示概率，通过随机数表法从所述竞价广告中选择目标广告进行投放。

上述装置中各个模块的功能和作用的实现过程具体详见上述广告投放方法中对应步骤的实现过程，在此不再赘述。

素材来源选择模块1110比如可以是图2中的某一个物理结构输入输出接口258。

广告特征获取模块1120、点击率计算模块1130、展示概率计算模块1140以及目标广告投放模块1150也可以是功能模块，用于执行上述广告投放方法中的对应步骤。可以理解，这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时，这些模块可以实施为一个或多个硬件模块，例如一个或多个专用集成电路。当以软件方式实现时，这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序，例如图2的中央处理器222所执行的存储在存储器232中的程序。

可选的，如图12所示，所述素材来源选择模块1110包括：

素材来源排序单元1111，用于按照不同广告素材来源的优先级，对所有广告素材来源按照优先级由高到低进行排序；

概率值配置单元1112，用于为每种广告素材来源配置被选中的概率值；

素材来源确定单元1113，用于按照优先级由高到低，依次根据当前级别广告素材来源被选中的概率值，通过随机数表法确定是否选择当前级别的广告素材来源；

下一素材确定单元1114，用于若不选择当前级别的广告素材来源，跳转至确定是否选择下一级别的广告素材来源，直到确定选择一种广告素材来源。

可选的，所述广告特征获取模块1120包括：

定向信息获取单元，用于获取所有竞价广告的定向用户信息；

信息匹配筛选单元，用于根据所述广告投放请求指示的用户特征信息，筛选出定向用户信息与所述用户特征信息匹配的所有竞价广告；

特征信息获取单元，用于获取筛选出的每条竞价广告的广告特征信息。

可选的，所述点击率计算模块1130包括：

新向量构建单元，用于对所述用户特征信息以及每条竞价广告的广告特征信息进行组合编码，构建每条竞价广告对应的新特征向量；

点击率预测单元，用于将每条竞价广告对应的新特征向量输入预先建立的广告点击率预测模型，得到每条竞价广告对应的点击率预测值。

可选的，所述点击率计算模块1140还包括：

日志内容获取单元，用于从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

历史信息获取单元，用于获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

历史向量构建单元，用于将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

预测模型构建单元，用于根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到广告点击率预测模型。

可选的，所述展示概率计算模块1140包括：

展示资源获取单元，用于获取广告提供方为投放每条竞价广告提供的展示资源；

反馈资源预估单元，用于根据每条竞价广告对应的点击率预测值和展示资源，预估投放每条竞价广告产生的反馈资源；

展示概率计算单元，用于根据所述投放每条竞价广告产生的反馈资源计算每条竞价广告的展示概率。

可选的，如图13所示，所述装置还包括：

事件接收模块1310，用于接收上报的广告事件，所述广告事件为展示事件或点击事件；

验证码计算模块1320，用于根据所述广告事件携带的广告标识信息，计算广告验证码；

校验模块1330，用于将所述广告验证码与所述广告标识信息中的广告校验码进行比对；

时间获取模块1340，用于在所述广告验证码和所述广告校验码一致时，获取所述广告标识信息中的广告下发时间，

时间比对模块1350，用于将所述广告下发时间与当前时间进行比对，若所述广告下发时间与当前时间的时间间隔小于预设值，则所述广告事件作为投放所述目标广告的计费依据。

可选的，本公开还提供一种电子设备，该电子设备可以用于图1所示实施环境的服务器110中，执行图3、图5-图10任一所示的广告投放方法的全部或者部分步骤。所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述实施例中所述的广告投放方法。

该实施例中的电子设备的处理器执行操作的具体方式已经在有关该广告投放方法的实施例中执行了详细描述，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质存储有计算机程序，该计算机程序可由服务器200的中央处理器222执行以完成上述广告投放方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种广告投放方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述在接收到广告投放请求后，通过流量漏斗策略确定广告素材来源，包括：

按照不同广告素材来源的优先级，对所有广告素材来源按照优先级由高到低进行排序；

为每种广告素材来源配置被选中的概率值；

按照优先级由高到低，依次根据当前级别广告素材来源被选中的概率值，通过随机数表法确定是否选择当前级别的广告素材来源；

若不选择当前级别的广告素材来源，跳转至确定是否选择下一级别的广告素材来源，直到确定选择一种广告素材来源。

3.根据权利要求1所述的方法，其特征在于，所述获取每条竞价广告的广告特征信息包括：

获取所有竞价广告的定向用户信息；

根据所述广告投放请求指示的用户特征信息，筛选出定向用户信息与所述用户特征信息匹配的所有竞价广告；

获取筛选出的每条竞价广告的广告特征信息。

4.根据权利要求1所述的方法，其特征在于，所述根据广告投放请求指示的用户特征信息以及每条竞价广告的广告特征信息，计算每条竞价广告的点击率预测值，包括：

对所述用户特征信息以及每条竞价广告的广告特征信息进行组合编码，构建每条竞价广告对应的新特征向量；

将每条竞价广告对应的新特征向量输入预先建立的广告点击率预测模型，得到每条竞价广告对应的点击率预测值。

5.根据权利要求4所述的方法，其特征在于，在所述将每条竞价广告对应的新特征向量输入预先建立的广告点击率预测模型，得到每条竞价广告对应的点击率预测值之前，所述方法还包括：

从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到广告点击率预测模型。

6.根据权利要求1所述的方法，其特征在于，所述根据每条竞价广告的点击率预测值以及每个竞价广告对应的展示资源，计算每条竞价广告的展示概率包括：

获取广告提供方为投放每条竞价广告提供的展示资源；

根据每条竞价广告对应的点击率预测值和展示资源，预估投放每条竞价广告产生的反馈资源；

根据所述投放每条竞价广告产生的反馈资源计算每条竞价广告的展示概率。

7.根据权利要求1所述的方法，其特征在于，所述根据每条竞价广告的展示概率，通过随机数表法从所述竞价广告中选择目标广告进行投放之后，所述方法还包括：

接收上报的广告事件，所述广告事件为展示事件或点击事件；

根据所述广告事件携带的广告标识信息，计算广告验证码；

将所述广告验证码与所述广告标识信息中的广告校验码进行比对；

若所述广告验证码和所述广告校验码一致，获取所述广告标识信息中的广告下发时间；

将所述广告下发时间与当前时间进行比对，若所述广告下发时间与当前时间的时间间隔小于预设值，则所述广告事件作为投放所述目标广告的计费依据。

8.一种广告投放装置，其特征在于，包括：

9.根据权利要求8所述的装置，其特征在于，所述素材来源选择模块包括：

素材来源排序单元，用于按照不同广告素材来源的优先级，对所有广告素材来源按照优先级由高到低进行排序；

概率值配置单元，用于为每种广告素材来源配置被选中的概率值；

素材来源确定单元，用于按照优先级由高到低，依次根据当前级别广告素材来源被选中的概率值，通过随机数表法确定是否选择当前级别的广告素材来源；

下一素材确定单元，用于若不选择当前级别的广告素材来源，跳转至确定是否选择下一级别的广告素材来源，直到确定选择一种广告素材来源。

10.根据权利要求8所述的装置，其特征在于，所述广告特征获取模块包括：

11.根据权利要求8所述的装置，其特征在于，所述点击率计算模块包括：

12.根据权利要求11所述的装置，其特征在于，所述点击率计算模块还包括：

13.根据权利要求8所述的装置，其特征在于，所述展示概率计算模块包括：

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：

事件接收模块，用于接收上报的广告事件，所述广告事件为展示事件或点击事件；

验证码计算模块，用于根据所述广告事件携带的广告标识信息，计算广告验证码；

校验模块，用于将所述广告验证码与所述广告标识信息中的广告校验码进行比对；

时间获取模块，用于在所述广告验证码和所述广告校验码一致时，获取所述广告标识信息中的广告下发时间，

时间比对模块，用于将所述广告下发时间与当前时间进行比对，若所述广告下发时间与当前时间的时间间隔小于预设值，则所述广告事件作为投放所述目标广告的计费依据。