CN109417644A - 跨屏广告投放的收益优化 - Google Patents

Abstract

本发明涉及一种计算机实现的方法，用于优化广告内容在多个不同的设备上的投放。该系统允许使广告内容在电视和移动设备上以消费者为目标，该系统可以在多频道视频节目分发商处操作。该系统能够利用硬约束条件和软约束条件为广告活动提出一些适合的目标并且能够提供优化这些目标的工具。该系统可以根据准确匹配消费者的概率将广告活动和计划分配给不同的库存类型。可以通过在消费者设备图中生成相似模型实现消费者匹配从而预测未来的消费行为。该系统包括一界面，通过该界面，用户可以调整各种约束条件并优化经销商从广告中获得的收入。

Description

跨屏广告投放的收益优化

优先权

本申请根据35U.S.C.§119(e)要求于2016年1月14日提交的62/278,888号和2016年2月2日提交的62/290,387号美国临时申请的优先权，并且本申请是于2016年7月25日提交的15/219,262号美国专利申请的延续部分，其全部内容通过引用整体并入此文。

相关申请

本申请与下列美国专利申请相关：2016年7月25日提交的，题为“TARGETING TVADVERTISING SLOTS BASED ON CONSUMER ONLINE BEHAVIOR”序列号15/219,259美国专利申请；2016年7月25日提交的,题为“CROSS-SCREEN MEASUREMENT ACCURACY INADVERTISING PERFORMANCE”序列号15/219,268美国专利申请；2016年7月25日提交的，题为“SEQUENTIAL DELIVERY OF ADVERTISING CONTENT ACROSS MEDIA DEVICES”序列号15/219,264美国专利申请；以及于2016年4月2日提交的序列号62/317,440临时申请；其全部内容通过引用整体并入此文。

技术领域

本文描述的技术大体上涉及针对广告主的跨屏广告方案的改进和管理，并且更具体地涉及一种用于在电视和移动设备上使广告内容面向消费者的系统和方法，其可在多频道视频节目分发商的环境中运行。

背景技术

视频广告是广告内容中最先进、最复杂和最昂贵的形式之一，尤其是那些打算投放到越来越多的虚拟现实设备的广告，以及那些需要某种程度的用户交互性来实现他们的期望效应的广告。除了制作视频内容本身的成本之外，通过广播和有线电视网络投放视频内容的费用仍然很大，部分原因是电视(TV)空档在当今经济中是优质的广告空间。此外，电视不再是媒体市场的全部。消费者现在可以传播他们对视频内容的看法，该视频内容尤其是通过电视、DVR观看的高端内容以及通过智能电视、游戏机、移动设备和传统电视观看的超越巅峰和点播视频服务的动物展览。

简而言之，电视观看正在向数字分布式观看转变，因为观众观看的实况传播相对较少，而视频点播(VOD)或流媒体视频格式的观看量相对较多。相应地，广播公司越来越能够更精确地确定具体的市场细分，从而可以为那些在其频道上购买时间的广告主提供机会，使他们能够将自己的内容对准高度相关的群体。

将在线消费添加到任何给定消费者可用的选项列表中，只会导致向相关公众群体投放视频广告的整合过程更加复杂，至少部分原因是在于现在和将来可以联机的设备的不同类型的数量，以及在任意一天内个人可能与许多不同类型的在线设备进行交互。这种复杂性意味着，现今优化广告内容投放的任务远远超过了传统上必需的内容，以及超过以前经验丰富的人所能做到的。充分了解某一给定消费者所需的数据是零散的，因为每个个人和家庭通过访问网络设备以不同的方式观看越来越多的媒体。

此外，广告调度问题随着广告数量和库存空档的增加而增加。同样地，防止意外违反广告投放方面的限制(即媒体内容监管或合同义务)的现有方法对于即使是有限数量的限制，也是非常无效的。虽然现有的广告产品优化软件工具允许通过简单的关系数据库对约束条件进行探索，但它们不能根据这些约束条件进行分析并为广告布局提出建议。

对于许多公司来说，现今研究广告策略的分析工作仍然需要分析人员的人力帮助。对于广告库存数量较低的购买者来说，情况尤其如此。广告策略也通常是固定的，这意味着广告策略的方法取决于某些假设，这些假设是不灵活的，并且限于人工方法能够实现的。

将数值分配给软约束条件(如商业目标和现有广告主客户的内部卖方优先事项)也是一项挑战。系统和方法无法探索用于销售广告库存的各种加权方法，因为这样做太费时、太昂贵，因为它需要在Excel样式的电子表格上进行人工建模。此外，在当前市场上，可以实时添加新的需求来源，这种新的潜在活动的复杂度不能通过人工或电子表格的方法来解决。市场是实时的并且时刻在运转。

广告策略的现状类似于金融交易在金融策略工具(如有助于自动购买的E-交易)和财务顾问(如Fidelity投资计划)出现之前的状况。

在现今的广告策略中，人工分析基于例如EXCEL数据表和其他静态数据管理工具引导广告库存的选择。这导致对空档选择的效率低下，以及对市场趋势作出反应的延迟。根据消费者使用的设备，消费者的偏好并不是完全不同，但由于现有技术工具的局限性，其中大多数技术工具无法快速、准确地集成不同的数据集合，所以广告市场对消费者作出的反应延迟。例如，现今，电视消费数据是独立于机顶盒所有者数据和电视原始设备制造商而存在的。因此，电视的广告策略是根据电视专业标准来规划的，而包括诸如社交媒体等子类别的网络广告和移动广告是分别进行规划的。

此外，在整个广告业，对于不同的媒体平台(如机顶盒、电话和桌面)有着不同的实体。在不同的媒体中，存在着不同的数据、数据系统和数据源(供应商)。如今，这些设备和媒体类别在纳入广告宣传策略和规划时仍然很大程度上是分开的。

因此，总的来说，广告主与目标受众之间的商业渠道过于复杂：从广告内容的生成到最终消费者的途径是曲折的，涉及众多参与者-其中一些特定于某些媒体类型，而另一些则在供应链中只提供非常特定且有限的服务。广告主更希望能够以尽可能少的销售点获得库存。相应地，更大的媒体组织，如有线电视公司，将受益于获取消费者数据的能力，使得能向广告主提供一系列量身定做的广告库存。

目前，一些公司试图将一组与特定消费者相关的设备连接在一起，但它们无法以任何可靠的数据集成级别或对广告主有用的规模来处理不同的这些数据源。通过将不完整的用户数据与细分市场中其他类似用户的数据来比较和建模从而确定设备的选择是解决这一问题的部分解决方案，但现有方法无法在可靠或有用的粒度级别上创建关联。

如今，概率性的和确定性的方法没有被广泛用于将移动设备和计算机设备与精确的受众或家庭联系起来。这种方法没有被更广泛采用的原因之一是不同设备之间的数据处理和配对效率低下。例如，为了在用户与其各自设备之间的关联的1：1水平上预测消费者的购买、观看和广告交互习惯，这种方法不足以假定任何单一的设备访问实例都代表该用户的购买意图。这是由于现代的媒体消费习惯——用户在各种设备上以及通过不同的媒体(如Hulu、Netflix或有线电视)进行消费。因此，有必要进行更为复杂的分析，以便深入了解媒体消费与用户的设备组的关联。

另一个原因是无法更容易地使用概率性的和确定性的方法来测量消费者的购买习惯，因为访问用户设备数据不容易实现。例如，根据消费者隐私权法律，未经用户明确同意，访问用户的设备是非法的。因此，在大规模的情况下，用户使用的设备组合以及他们在各自设备上通过什么媒体进行消费往往是未知的。这对广告主来说是一个巨大的挑战，因为他们需要确定要购买哪些广告库存，以及如何在给定类别的设备上有效地最佳到达目标受众处。

如今，对用于广告目标的消费者信息进行跟踪的数据系统缺乏广泛组合和整合可改变的和不可改变的消费者数据类别(即需要集成多个膜层)的能力。大多数数据系统包含静态的、一维的、同类的消费者分类。例如，两年前一个29岁的人买了一辆汽车将是消费者数据点，该数据点不会调整或更新。虽然随着时间的推移调整个人的年龄是容易的，但其他可改变的特征，如结婚愿望、怀孕或其他生活方式的改变是不容易评估或预测的。

相应地，需要一种对来自多个不同的设备上的随时间获取的给定消费者数据进行整合和连接的方法，并使用该整合数据在多个设备上可靠地投放广告内容。如果整合的程度使得广告主和分发商之间的交易更简单，那么这将带来好处。

本文包括对背景技术的讨论，以解释该技术的内容。这不应被视为承认所提及的任何材料在本文所附的任何权利要求的优先权日已经被公布、已知或部分属于公知常识。

在本申请的说明书和权利要求中，“包括”一词及其变型(如“包括”和“包括”)，并不意在排除其他添加物、成分、整体或步骤。

发明内容

本公开涉及与在包括一个或多个电视在内的显示设备之间的广告内容投放优化有关的消费者数据和广告库存处理。具体而言，本公开包括由计算机或计算机网络执行相同处理的方法。本公开还包括用于执行所述方法的计算装置，以及具有用于所述方法的指令的计算机可读介质。本公开的装置和方法特别适用于在线和电视媒体中的视频内容。

概括地说，本方法允许广告主基于与受众类别或类型匹配的概率将媒体策略分配给不同的库存类型。具体地，本技术涉及优化广告活动的系统和方法，以及作为提高收益的一种方法的情景建模。这里所述方法通过提高效率和降低与确定广告策略相关的成本，从而提高用于广告的资金投资回报以及提高多频道视频节目分发商的收益。

在替代实施例中，所述系统开发了围绕指定活动(终端用户)参数设计的广告策略。所述策略针对在电视、视频点播、显示广告以及移动和桌面环境中出现的广告。

所述方法包括分析消费者、媒体和相关数据，所述相关数据来自无限数量的数据输入，包括但不限于：行为(如个体消费者的特定的观看和购买历史)，以及人口统计的来源和位置相关的来源。

本技术包括在消费者的设备图中编程生成类似于外观的模型，以预测未来的消费行为。所述方法将实际内容消费行为与广播用户群整合在一起，并将用于消费的设备分配给单个消费者。

本公开提供了一种在电视上将视频广告内容向消费者投放的分配方法，所述方法包括：从广告主处接收价格点和一个或多个活动描述，其中每个活动描述包括计划表，所述计划表用于在可由消费者和目标受众获取的一个或多个电视上投放广告内容项，其中所述目标受众由一个或多个人口因素定义；确定与一个或多个活动描述相关的一个或多个硬约束条件；基于消费者属性图定义消费者池，其中所述消费者属性图包含由每个消费者使用的两个或多个电视和移动设备的信息、每个消费者的人口统计和在线行为数据以及消费者对之间的相似度，并且其中所述消费者池包含与目标受众成员的具有至少阈值相似度的消费者；从一个或多个内容提供商处接收库存列表，其中所述库存列表包括一个或多个电视和在线的空档；确定一个或多个广告目标，其中，所述一个或多个广告目标中的每一个包括与一个或多个活动描述和一个或多个硬约束条件一致的一系列空档，并且具有与所述价格点一致的总成本；基于一个或多个软约束条件，执行将所述一个或多个活动描述的广告内容分配到一个或多个广告目标的优化，由此产生一个或多个解决方案；向广告主传达一个或多个解决方案的列表，其中解决方案包括将所述活动描述与被确认为可能被消费者池观看的电视内容中的一个或多个空档相匹配；以及通过电视上的第一媒体渠道将所述广告内容投放给消费者池中的消费者。

本公开还提供了计算机可读介质，其将指令进行编码，所述指令用于执行本文描述的方法并通过一个或多个适当配置的计算机处理器进行处理。

本公开还包括计算设备，该计算设备被配置为执行指令，例如存储在计算机可读介质上用于执行本文描述的方法的指令。

附图说明

图1图解地示出了参与广告内容投放的各方(如广告主、广告交易平台、媒体渠道和消费者)之间的关系；

图2示出了使用本文中的技术的各方之间的另一组关系；

图3示出了消费者图；

图4示出了消费者图中的一个节点；

图5和6示出了创建消费者图的步骤；

图7示出了本文所述方法的流程图；

图8示出了本文所述的方法的流程图；

图9示出了用于执行如本文所述的方法的装置；

图10A-10D示出了示例性用户界面的多个方面。

各个附图中的相同的附图标记表示相同的元件。

具体实施方式

本技术是针对计算机实施的方法，这些方法将实际的内容消费行为、消费人群的各个部分和用于媒体消费的设备的分配结合起来，以便为广告主提供用于广告库存购买的更有针对性的选择。这些方法特别适合多个的多频道视频节目分发商(MVPD)，其中MVPD可以访问消费者数据，并且能够根据广告主的请求使用这些方法。

广告功能

图1中描述了广告内容的购买、投放和消费业务中实体之间的关系。可以看出，广告生态系统是复杂的，涉及到许多不同的实体，以及许多不同的关系。本文的方法和技术可用于简化图1中的许多关系。

广告主101是广告库存109的购买者。广告主可以是对其广告功能进行直接控制的公司，也可以是管理一个或多个客户(通常是公司实体)的广告需求的代理商。广告主目的在于使在每个消费者的一个或多设备107上的广告内容103(在本文中也称为“广告”)对一个或多个消费者105(通常是一个群体)起作用。

对于给定的消费者，设备包括一个或多个：电视(包括智能电视)、移动设备(手机、智能手机、媒体播放器、平板电脑、笔记本电脑、手提电脑和可穿戴设备)、台式电脑、网络相框、机顶盒、游戏机、流媒体设备和被认为能在“物联网”内工作的设备，如家用电器(冰箱等)以及其他联网的家庭监控设备，如温控器和报警系统。

广告内容103通常是由广告主101或广告主已经与之签约的第三方创建的，并且通常包括寻求促进销售或促进消费者对特定产品或服务的认识的视频、音频和/或静态影像。如本文进一步描述的那样，广告内容103通常通过一个或多个中介方投放给消费者。

广告内容通常有两种不同的类型：品牌推广和直接反应营销。这两种类型的时间框架是不同的。品牌推广提升认识；直接反应营销旨在产生即时反应。例如，汽车制造商可能会将直接反应的营销材料投放到市场中，并希望测量那些在看到广告后去经销商或网站的人的反应。本文所述方法可应用于两种类型的广告内容，但对于这两种类型的方法其广告效果的测量则有所不同：例如，品牌推广的有效性由GRP(本文其他地方进一步描述)来测量，直接反应营销的结果可以通过网站访问量来测量。

当投放到诸如电话或平板电脑的移动设备时，广告内容103可以另外地或可替代地采用文本/SMS消息、电子邮件或诸如警报、横幅图片或徽章等通知的形式。当投放到台式电脑或手提电脑或平板电脑时，广告内容103可以显示为应用内或浏览器窗口内的弹出，或者被设计为当正在下载或缓冲其他所请求的视频内容的时候播放的视频。

消费者105是广告内容103的观众和潜在观众，并且可能先前购买了正在做广告的产品或服务，并且对于广告主有利的是可以在观众看到广告内容103时让他们进行第一次学习该产品或服务。

广告库存109(在本文中也可以是库存或可用库存)包括可用的空档或时间空档117，用于在多个媒体接口或渠道111上进行广告，通过该可用的空档或时间空档117消费者可以获取信息和广告内容。这些媒体接口包括电视、广播、社交媒体(例如，LinkedIn、Twitter、Facebook等在线网络)、数字广告板、移动应用等。媒体渠道111可以生成它们自己的内容113，或者可以传播来自一个或多个其他内容提供商或发布者115的内容。例如，一家有线电视公司是一个媒体渠道，它投放来自众多的电视频道制片方和内容发布者的内容。一般来说，媒体接口也可以被称为内容提供商，因为它们向消费者105投放媒体内容113(电视节目、电影等)。本文的技术的一个方面包括整合来自多个媒体接口或内容提供商的库存109的能力。媒体渠道111还可以将已购买用于在时间空档117投放的广告内容103投放给消费者105，以便在多种设备107上观看。发布者115通常是内容所有者(例如，BBC、ESPN)。

空档117是时间，通常表示为一天中特定时间(中午、下午4：30等)的时间窗(1分钟、2分钟等)，或窗口(如下午2-4点或上午9点至12点)，或在特定广播频道(如电视台或社交媒体提要)上的特定广播(如电视节目)期间。可用的空档是广告主为投放广告内容而购买的库存中的空档。通常情况下，因为另一个广告主还没有购买它，因此它是可用的。如本文进一步描述的那样，空档还可以通过某些约束条件来限定，例如是否可以在特定空档中投放特定类型的广告内容103。例如，体育器材制造商可能购买了在某一特定频道上由一天中某一特定时间所限定的特定空档，并可能已经购买了拒绝其他体育器材制造商在同一频道上第一个制造商的空档的某一时间范围内购买空档的权利。在本文中，“硬约束条件”是对特定时间空档或指定媒体中的广告投放的法律限制或其他强制性限制。“软约束条件”是指对特定媒体中的特定空档投放广告的期望(非强制性)限制。“约束条件满足”指的是给一组约束条件找到解决方案的过程，其中变量必须满足这些约束条件。因此，解决方案是满足所有约束条件的变量的一组数值。

从广义上讲，信息是指消费者可以查看、阅读、收听或其组合的任意内容，这些内容可在屏幕上使用，如电视屏幕、计算机屏幕或移动设备(如平板电脑、智能手机或手提/笔记本电脑)的显示器、可穿戴的(如手表、健身监视器)、车内或飞机内的显示屏等。信息由媒体接口111(如电视或无线电台)、多频道视频节目分发商(例如有线电视提供商，例如Comcast)或在线网络(如Yahoo！或Facebook)提供。

VOD是指视频点播系统，它允许用户选择、观看或收听他们自己选择的视频或音频内容，而不是必须在预定的播放时间观看内容。互联网技术经常被用来将视频点播应用到电视和个人计算机上。电视视频点播系统可以通过机顶盒、计算机或其他设备来传输内容，允许实时观看，也可以下载到诸如计算机、数字录像机(也称为个人录像机)或便携式媒体播放器以随时观看。

广告主和媒体渠道之间的通信可以由多个实体来管理，这些实体包括：需求方提供商(DSP)123、广告交易平台119和供给方提供商121。广告交易平台119(本文也称为交换)是广告主可以对可用的媒体库存进行竞价的环境。库存可以是数字的，例如通过因特网上的在线投放或者通过诸如SiriusXM的数字无线电，也可以是模拟的，例如通过诸如ESPN、CNN、Fox或BBC之类的电视频道，或者FM/AM无线电广播。广告交易平台119通常专门处理某些种类的内容。例如，SPocX专门针对数字内容，WideOrbit专门针对编程电视。

供给方提供商(SSP)121是从媒体渠道111获取库存109的中介，并可选地可通过广告交易平台119将库存提供至需求方提供商(DSP)123，从而当决定如何定位广告内容103时，广告主可以对库存购买或竞价。SSP有时被划分为公共的或私人的类别，这取决于媒体渠道是否能够限制获得库存的广告主的身份和数量。在某些情况下，如果广告内容的购买者所依赖的广告交易平台的功能由DSP和SSP中的一个或两个执行，则SSP与DSP直接交互而不需要广告交易平台。本文的技术特别适合于由适当配置的DSP来实现和执行。

在一种配置中，广告交易平台119接合在供应方提供商(SSP)121和需求方提供商(DSP)123之间。该接合作用包括从一个或多个SSP121处接收库存109并将其提供给DSP，然后从DSP接收关于该库存的竞价125并将这些竞价125提供给SSP。因此，DSP使得广告主能够对特定SSP(如SPotX或WideOrbit)提供的库存进行竞价。在一些配置中，DSP承起广告交易平台的大部分或全部作用。

广告活动(或活动)是广告主向特定消费者群体投放广告内容的计划。活动通常将包括广告内容的选择(例如特定广告或多种形式的广告，或一系列打算按特定顺序被观看的相关广告)，以及进行宣传活动的时间(例如1周、1个月、3个月)。广告主通常向广告交易平台119或DSP121发送活动描述127，并作为反馈接收到一个可用库存109的列表。活动描述127包括一项广告内容103和一类或多类作为目标的设备107，或者包括用于在一个或多个设备107之间连续投放两项或多项广告内容103的计划表。活动描述127还包括对目标受众的描述，其中目标受众是由一个或多个人口统计因素所限定，人口统计因素是从年龄范围、性别、收入和位置中选择的，但不限于这些。

然后，DSP 123提供一个界面，通过该界面，广告主101可以将活动描述127和库存109对应起来，并对库存中的多个空档117进行购买或竞价。DSP123或交易平台119可以提供与给定的活动描述127相匹配的多组库存：与给定的活动描述匹配的每一组库存在本文被称为广告目标129。广告主101可以从广告目标列表中选择它希望购买的目标或多个目标。一旦它购买了特定的目标，就通知SSP121，并将投放指令137发送到各种媒体渠道111，以使广告内容103或选定的内容113可以在适用的空档117中投放给相关的消费者。

一个给定的空档的购买并不仅仅是在给定的价格下简单的销售，而是通过一个竞价过程来实现。DSP将在多个空档上进行竞价，并为每个空档确定向SSP提交的竞价价格。对于一个成功的竞价，SSP将广告内容投放给媒体渠道，并最终投放给消费者。对特定目标进行的竞价通常高于对全部目标进行的竞价。

竞价过程部分取决于广告内容的类型。电视内容可以提前安排，而对于在线内容来说，通常的竞价结构是“准时”竞价：只有当某一特定消费者可以在线看见时，才会投放广告。一般来说，本文的方法独立于竞价过程，适用于任何通常采用的竞价方法，包括实时竞价，以及利用节目电视数据细节进行的竞价。

通过使用如VPAID(https:/en.wikipara.org/wiki/Mipo)或VAST(视频广告服务模板)等协议向给定的在线广告提供标签，标签收集包括关于消费者是否点击或查看内容的数据。标签通常包含与消费者如何与广告内容交互的多个数据项。这些数据项可以被返回至SSP和/或DSP，以便提供关于广告投放情况的反馈。例如，数据项可以包括与用户是否在线点击视频有关的数据。某些数据项对应于在行业中被称为“信标”事件的事件，因为它们对广告主的重要性：例如，信标事件可以包括这样一个事实，即用户在视频完成之前停止了视频片段。

生成广告目标的过程也可能取决于一个或多个活动需求。在本文使用的活动要求，是指广告主或广告库存的其他购买者设定的诸如预算等财务约束，以及诸如多个消费者对目标的行为规范。在对库存进行购买或竞价时，活动需求信息与活动说明一起使用。

多个DSP 123还为广告主101提供了从不同来源汇总的消费者数据和设备数据。这些数据帮助广告主选择最适合自己的目标的库存、时间空档和媒体渠道。

多个DSP使用的数据可以包括人口普查数据131，或关于特定消费者和设备133的数据。人口普查数据131包括可用于优化库存购买的人口数据。因此，人口普查数据131可以包括人口数据，例如在一个特定的观察区域中的人口年龄分布、收入差异和婚姻状况，在特定观看区域中的这些数据与人口成员实际查看的媒体接口无关。人口普查数据131可以从多个来源进行汇总，这些来源如州和县的记录、以及美国人口普查局的数据。

数据管理平台(DMP)135可以向DSP提供关于消费者及其使用的设备的其他类型的第三方数据133。通常，DMP提供具有嵌入式功能的数据储存设施。DMP可以下载数据并执行各种分析功能，包括排序、存储、处理、应用匹配算法，以及向购买者和用户提供数据输出。DMP的示例包括:Krux、Exelate、Nielsen、Lotame。可以从第三方提供商投放到DSP的消费者和设备数据133可以补充由媒体渠道提供的其他消费者和设备数据143。消费者及其使用的设备上的数据是与广告主相关的，其中包括观看习惯以及可以直接从媒体渠道重新取回的特定行为数据。例如，如本文其他部分所进一步讨论的，当媒体渠道向消费者提供广告时，该渠道可以收集关于该用户访问该广告的方式的信息。由于涉及的数据量庞大，在相对较短的时间段(例如14天)之后，媒体渠道可能也无法提供任何关于特定消费者的信息。在这种情况下，DSP可以从第三方(如DMP)获取该用户的数据。第三方也可以离线获取数据。如本文所使用的离线事件是指独立于互联网或电视观看所发生的事件：例如，它可以包括从商店购买东西和其他类型的基于位置的事件，广告主会认为这些事件是重要的。在本文的实体之间(例如，DMP和DSP之间、DSP和SSP之间、以及媒体渠道和SSP或广告交易平台之间)可以使用任何共同接受的文件格式共享和传输数据：这些格式包括但不限于：JSON、CSV和Thrift，以及任何适当格式化的文本文件格式。

多频道节目视频分发商的作用

图2展示了不同实体之间的一组可选关系，其中多频道视频节目分发商(MVPD)起着主要作用。

在图2中，广告主和代理商作为使用方101通过投放活动描述127、广告内容103和对库存109进行竞价125从而与MVPD211直接交互。MVPD已经向广告主提供他们的库存109(通常库存109是电视内容113，但也可以包括来自发布者115的在线数据)以便广告主可以对库存109进行竞价。MVPD收集了一个消费者和设备数据143(例如，电视观看习惯)的数据库以及用于分析它的工具。如本文其他部分所述，MVPD协助广告主确定库存中最合适的空档，然后确保将广告内容103投放给消费者目标群体。

限定

曝光是指广告到达消费者处的任意实例。在电视上，假设电视正在播放广告，则电视的所有者或普通观众的将收看到广告，并且该展示算作一次曝光。如果同一个家庭中有多个人，那么曝光的数量可能等于能够观看电视的人数。在线上环境中，如果消费者正在查看某个网页，并且广告以弹出的形式显示在该网页上，或者用户单击了导致广告运行的链接，就会产生曝光。

受众群体是一个消费者列表，他们使用cookie同步或其他方法从他们个人的可识别信息中识别出其中消费者属于某一类型，或者与一种行为(购买、电视收视、网站访问等)相关。

如本文所使用的，在线，意味着连接到互联网或允许多个设备彼此通信的另一个计算机网络(例如内部网)。如果设备通过WiFi连接或通过蜂窝数据网络，或者通过使用诸如蓝牙的短程通信协议访问因特网或其他网络，那么该设备就是在线的。因此，在线设备通常包括但不限于：计算机，如个人计算机或台式电脑、工作站、手提电脑、笔记本电脑及平板电脑；电子书籍(如Nook)；移动设备(如平板电脑(苹果ipad、三星Galaxy等)及移动电话或网络音乐播放器、流动热点；在交通工具(例如汽车、巴士、火车、班车及飞机)上显示的物品；可穿戴设备，例如手表、健身监控器、虚拟现实观看器材(如Oculus)，以及属于通用“物联网”类别的设备，如家用电器，包括但不限于智能电视、冰箱、数码相框、恒温器和安全系统。

Cookie同步是指允许DMP、SSP和DSP之间进行数据交换的过程，更常见的是内容发布者和广告购买者之间的数据交换的过程。cookie是移动设备或台式电脑中用于保存和恢复有关特定用户或设备的信息的文件。Cookie中的信息通常受到保护，使得只有创建cookie的实体才能在之后从cookie中检索信息。Cookie同步是一个实体可以从由另一个实体创建的cookie中获取有关消费者信息的一种方式，而不必获得消费者的准确识别。因此，从媒体渠道接收到的关于特定消费者的给定信息，通过Cookie同步，可以从DMP添加关于该消费者的进一步信息。

对于移动设备，一个设备ID对应唯一的特定设备。对电视而言就是有一个散列的IP地址。设备ID信息可用于将一组设备链接到特定消费者，以及将多个消费者(例如在给定的家庭中)链接到特定设备。DSP可以收集数据存储，随着时间的推移，与增加“cookie”数据的移动设备ID和电视地址关联。

跨屏是指媒体数据(包括广告内容)分布在特定消费者的多个设备之间的，这些设备包括：例如，电视屏幕、计算机屏幕或移动设备(如平板电脑、智能手机或手提/笔记本电脑)的显示屏、可穿戴的(如智能手表或健身监控器)、车内显示屏或飞机内显示屏，或联网家电(如冰箱)上的显示器。

到达率是指在一段时间内，至少收看过一次广告的不同的人的总数量。

在跨屏幕广告或媒体活动中，同一个消费者可以通过使用的不同设备(如电视、台式机或移动设备)多次接触广告。重复的到达率是指不考虑设备的情况下收看到广告的不同人的数量。例如，如果某一特定消费者在他/她的电视、台式机和一个或多个移动设备上看见广告，则该消费者只为到达率贡献了1。

增加的到达率是一活动的额外重复到达率，超过和超出在开始本次活动之前所获得(例如在先前的活动获得)的到达率。在本文的一个实施例中，一种活动类型可以包括电视拓展：在这种情况下，广告主已经在电视上发起了一场广告活动，但收益却在下降。广告主为了增加到达率想办法改进针对数字市场的活动计划。这样，DSP可以继承已经在一个或多个媒体渠道上进行的活动。

除了电视节目内容和投放到台式电脑和移动设备的在线内容之外，广告也可以在OTT内容中投放。OTT(源自“over the top”一词)是指在没有MVPD参与控制或发布内容的情况下，通过互联网投放音频和视频。因此，OTT内容是与特定的盒或设备无关的任何内容。例如，Netflix或HBO-Go可以投放OTT内容，因为消费者不需要特定的设备来查看内容。相反，诸如传送到电缆或机顶盒的MVPD内容是由有线电视网络或卫星供应商(如Comcast、AT&T或DirecTV)控制，并且不是OTT内容。具体地，OTT指的是来自第三方(如Sling TV、YuppTV、Amazon即时视频、Mobibase、Dramatize、presto、DramaFever、Clash、HBO、Hulu、MyTV、Netflix、Now TV、Qello、RPI TV、Viewster、where evertv、Crunchyroll或WWE网络)的内容，并被投放给终端用户设备，使互联网服务提供商(ISP)只承担传输IP数据包的角色。

此外，OTT设备是连接到因特网并能够访问多种内容的任何设备。例如，Xbox、Roku、TiVo、Hulu(和其他可以在有线电视网络上运行的设备)、台式电脑和智能电视都是OTT设备的示例。

总收视点(GRP)是指根据计划表和所涉及的媒体渠道广告活动的规模，并且由每个目标受众的曝光数给定，表示为一个百分比(因此，GRP可以是一个>100的数字)。例如，如果一个广告达到洛杉矶人口的30％的4倍，GRP为120。(数据可通过例如在L.A.由1000名观众组成的Nielsen小组来测量)。

目标收视点(TRP)指的是基于抽样人群的每个目标受众成员的曝光数。这一数字涉及个人：例如，在L.A.，广告主想以25岁及以上的男性为目标。如果洛杉矶有100个这样的人，70％的人看到了广告，那么TRP就是70％×浏览数量。

“跨屏幕”指的是对媒体、消费者和设备数据的分析，这些数据结合了多个设备的观众数据。

“高频”是指与广告买卖有关的高频交易。本文的方法和技术可由广告交易平台实施，该平台利用计算机以高速处理大量广告库存的竞价请求。本文的系统可以高频率运行，例如每秒运行10000到100000次观众曝光查询。查询可以是动态的，并且是实时的。

消费者数据

关于消费者的数据可分为两类：一类是不可改变的特征，如种族和性别；另一类是可改变的特征，如年龄、职业、地址、婚姻状况、收入、品味和偏好。其中多种可改变的特征，如职业，随时间可能发生变化，而其他的如年龄则以一致的比率变化。如今，用于跟踪消费者信息以针对广告内容的数据系统缺乏对这两类消费者数据进行广泛跟踪的能力。大多数数据系统包含静态的、同质的消费者分类。例如，一个两年前买了一辆车的29岁的人是一个消费者数据点，这个消费者数据点不会随着时间的推移而更新或增加。即使存储在系统中的个人的年龄可以随时间进行调整，但其他可改变的特征，如婚姻状况的变化或生活方式的改变，则在这个消费者分类中没有被考虑在内。

在本文方法的不同阶段，描述了通过以下方法以特定方式对消费者群体中的每一位消费者进行处理：例如，计算机可编程以分析其数据库中每个消费者的数据，以确定哪些(如果有的话)看过某一特定电视节目或访问过某一特定网站；或者，可以进行一些比较分析，其中将某一类人群中每个用户的属性与另一类人群中每个消费者的属性进行比较。每一组人群可能包括数千人，或几十万人，甚至数百万人。在此假定，当这些方法应用在适当的计算资源上时，这些方法能够对所述人群中的每一个成员进行一定的计算和操作。然而，它也与本文中的方法一致，即在人群中的“每个消费者”也可能意味着在该人群中的大多数消费者，或是使所述计算方法行得通的人群中的所有消费者。例如，将一个人群中一个或多个给定的消费者从一个特定的计算中省略，因为在该个人上没有足够的数据，而这并不意味着人群数量不足够用于进行分析以提供一个有意义的结果。因此，当参考一个具有潜在的数百万名消费者的人群时，“每一个”不一定意味着人群中的每一名成员，但可能意味着人群中有数量庞大且实际上合理的成员，这是为了令给定的计算产生结果。

消费者图

消费者图中每个节点代表一个消费者(或单个用户)。该技术利用加权图表示多种实现方式，其中消费者(节点)之间的关系被定义为相似度(边界)。本文使用消费者图对大量消费者数据进行分类、存储和整合，并允许诸如DSP这样的实体通过给定的消费者设备上的数据，在用于构建消费者图的数据与其他数据(例如电视观看数据)之间建立连接。

构建该图的一种方法是使用确定性关系数据；另一种方法是使用每个节点的属性。在某些情况下，可以采用确定性方法和概率性方法相结合。在一种相对简单的确定性方法中，基础是拥有消费者的确切数据，例如来自发布者的登录信息。因此，如果一个人用相同的ID多次登录在不同的设备上，那么就可以确保此人的身份是匹配的。然而，这种确切的信息可能并不总是可用的。相反，在概率性的方法中，有必要作出推论：例如，如果在相同的位置看到相同的设备，或者在不同时间在给定的设备上出现类似的行为，则可以推断该设备属于同一用户。

在本文的一些实施例中，使用机器学习方法以及贝叶斯(Bayesian)和回归算法来探索消费者之间的共性。在需要考虑的参数是有限数目的情况下，这些方法是有用的。在一些其他实施例中，深度学习技术在寻找消费者相似点和构建消费者图的方面是更有用的。机器学习是匹配确切信息片段的首选技术，例如，是否有两个消费者访问过相同的网站。但深度学习可以探索特定视频或电视节目的细节-例如，通过分析自然场景统计-从而确定例如由特定消费者观看的两个广告除了主题之外是否还有共同之处。例如，两个广告可能包含相同的一个演员，尽管所描绘的产品几乎没有什么共同之处尽管所描绘的产品几乎没有什么共同之处，也会因此受到消费者的喜爱。

在优选实施例中，本文所述设备图是基于概率性数据。图构建的概率方法使用行为数据(如查看习惯)来匹配用户。

在一些实施例中，诸如DSP的实体可以构建设备图；在其他实施例中，它可以从另一个实体(如DMP)处获得(例如购买)。

在这里的各种实施例中，设备图和消费者图都以允许将移动数据绑定到电视数据的方式一起操作。

该术语图在这里是按照其数学意义来使用，作为连接节点对的节点(N)和边(E)的集合G(N，E)。图G表示节点之间的关系：按照一定的准则，由一条边连接的两个节点是彼此相似的，边的权重定义了相似度的程度。不符合相似标准的节点对不能通过边加入。图3说明了图的概念，示出了6个节点，N₁-N₆，其中三对节点是通过边连接起来。

在本文附图的实施例中，节点N是具有属性集合A的实体或对象。在图3中，每个节点都有与它关联的属性数组，表示为节点Ni的Ai。

在本文附图的实施例中，两个节点之间存在的边E表示两个节点之间存在高于定义阈值的关系或相似程度。边的权重w_E是两个节点的相似度。图3中的边的权重以厚度示出(在这种情况下，w_E₁₂>w_E₃₄>w_E₁₅)。

在消费者图中，节点表示一个个人或由两个或两个以上的个人组成的家庭，具有一系列属性，如个人的性别和年龄、观看电视节目的历史、访问过的网站等。

图4示出了消费图的节点的示例性结构。每个节点都有一个属性集合，这些属性包括类型和行为，这些属性的数据是从第一方和第三方来源连续地收集的。如果来自消费者的新信息是可用的，那么许多属性是可改变的，并且由于收集了关于消费者的新数据，属性的集合(即为给定消费者存储的不同属性的数量)也可以随着时间的推移而增加。本技术的一个方面是，该图是由一个给定用户的潜在的无限次输入构建成的，例如在线、离线、行为和人口统计数据。这些输入将随着时间的推移进行更新，并允许对特定消费者的数据进行细化，以及允许数据能够用于在消费者群体上进行扩展。可以使用的数据的类型和性质没有限制，这意味着这里的方法优于依靠静态数据集和固定人群的广告公司所采用的方法。

收集数据的一些来源如下。

类型数据是关于通常不会改变的消费者的分类数据，也就是说，是不可变的。行为数据是根据消费者最近的活动不断更新的。

每个节点包括一个或多个设备(桌面、移动设备、平板电脑、智能电视)的组合。对于每个设备，基于该设备的用户类型的数据是从第三方和第一方来源处收集的。

表1显示了按类别和来源分列的数据示例。

表1

第一方的数据包括关于用户行为的数据，例如：购买、收视、站点访问等，以及由发布者直接提供的收入、性别等类型的数据，用于更好地对他们自己的活动进行确定定位和报告。(例如，可口可乐公司可能会向DSP提供一份用户名单，列出在社交媒体上“喜欢”可口可乐产品的用户名单，以改进他们的视频广告活动。)第一方类型数据可以从直接在设备上播放的广告和从设备收集的信息(例如一个或多个IP地址)中收集。第一方类型数据包括来自IP地址的位置、移动设备的地理位置，以及该设备是否位于商业或住宅物业中。

第三方类型数据可以从外部供应商获取。通过一对一的cookie同步或设备同步的外部供应商，例如DMP，如Krux(http：/www.krux.com/)、Experian(提供购买行为数据)或Adobe，提供有关cookie或设备的信息。实例数据包括消费者占有的市场份额，如年龄范围、性别、收入水平、受教育程度、政治归属以及在消费者社交媒体上喜欢或关注的品牌等偏好。此外，外部供应商可以根据设备最近的采购情况提供类型数据。第三方数据包括诸如性别和收入等信息，因为这些数据不是直接从外部供应商处收集到的。第三方数据能够在不提供广告服务的情况下收集到。观看的电视节目和购买是第三方数据。

第一方数据通常是由DSP生成；例如，第一数据是DSP可以从服务广告或提供数据的品牌/机构处收集的数据。第一方数据包括依赖于广告服务才能访问它的数据。

行为数据可以通过第一方和第三方来源从设备中收集到。行为通常是第一方数据，是可变的。

第一方行为数据是从直接提供给设备的广告中收集的。这包括访问的网站、通过该设备观看的电视节目或Ott、或视频点播(VOD)内容。

第三方行为数据从外部供应商获取，通常是DMP，如Experian、Krux、adobe、Nielsen和comScore，以及广告交易平台或网络，如Brightroll、SPocx、FreeWheel、Hulu。实例数据包括上个月在设备上观看的电视节目的历史、在个人计算机或笔记本电脑或移动设备访问网站的历史以及移动设备中基于事件的位置的历史(例如，该设备是否在星巴克)。在某些情况下，可以从第一方实体和第三方实体获得相同类型的数据。

消费者图中节点之间的边表示消费者具有阈值相似度，或相互交互。例如，如果节点在物理上是接近，或者基于属性的相似度进行概率地计算，则这些边可以确定地计算。使用的概率性方法包括但不限于：K-均值聚类和连通域分析(基于图遍历方法，包括构建一个从一个顶点到另一个顶点的路径)。由于属性是可改变的，如果一对节点的相似度评分发生变化，则无论是在它们的权重上，还是通过创建或取消这些属性，这些边都会会发生变化。因此，图形不是静态的，并且会随着时间的推移而改变。在一些实施例中，变化是动态的：随着节点属性的更新，相似度分数不断重新计算。

通常，属性和数据是被动态地(当它们被获取时)添加的。该图可以每周重新构建，以考虑到新的属性和数据，从而为这些边建立新的权重，并识别新连接或重新连接的设备。(图形构建和重建可以在云中完成，即在DSP控制下通过在计算机网络上的多个处理器上或在数据中心的处理器上分配机算。)

根据相似性度量计算两个节点N_1，N_2之间的相似度S，相似度S是距离函数f(N_1，N_2)的倒数，f(N_1，N_2)：N_1，N_2->s，它根据两个节点的属性定义它们之间的相似度。

在消费者图中，相似度表示两个人的人口统计属性和观察偏好的相似度。相似度可以按属性来计算，然后将单个相似属性加权并组合在一起，以生成一对节点的一个整体相似度评分。

当两个节点的属性用二进制向量表示时，可以使用多次度量来基于该属性限定一对节点之间的相似度。这些度量中的任何一个都适合与本文的技术一起使用。在一些实施例中，为了提高存储效率，二进制向量可以表示为比特串或比特串数组。

当使用距离函数f(N_i，N_j)的倒数的相似性度量时，距离函数的零值表示这两个节点的类型和行为是相同的。相反，距离函数的一个较大值表示这两个节点是不同的。距离函数的一个例子是欧氏距离，

f(N_i，N_j)＝||A_i–A_j||^2

其中，A_i和A_j是表示节点N_i和N_j的属性的稀疏向量，并且距离被计算为每个向量的对应分量的差值的平方之和。

二进制向量之间或比特串之间的比较可以根据几个相似性度量中的一个或多个来完成，其中最常用的是Tamioto系数。其他常用的度量包括但不限于：Cosine、Dice、Euclidean、Manhattan、city block、Euclidean、Hamming、和Tversky。另一个可以使用的距离度量是LDA(潜在狄利克雷分布，latent Dirichlet allocation)。定义距离比较的另一种方法是通过深度学习嵌入，通过这种方法能够学习到距离度量的最佳形式，而不是将其固定为例如余弦距离的形式。一个方法例子是通过流形学习。

余弦点积是一个优选的度量方法，可用于定义消费者图中两个节点之间的相似度。余弦相似度，即A_i和A_j的点积，限定如下:

f(N_i,N_j)＝A_i.A_j

在这种情况下，每个向量被标准化，因此它们的大小为1.0。余弦相似性度量的值为1.0，表示两个节点是相同的。相反，余弦度量的值越接近0.0，这两个节点就越不相似。余弦度量可以通过从1.0中减去其值来转换为类似距离的量：

f'(N_i,N_j)＝1–A_i.A_j

一个更复杂的距离函数的例子是参数化Kernel，例如径向基函数。

f(N_i,N_j)＝exp(||A_i–A_j||^2/s^2)，

其中s是一个参数。

在更常见的情况下，比特串是包含除了1和0以外的数字的向量(例如，它包含百分比或非标准化数据)，然后可以根据数字向量之间的距离度量来计算相似度。其他度量，如Mahalanobis距离，也可能是适用的。

通常，相似度分数S是介于0到100之间的一个数字，也可以使用其他标准化方法，例如0到1.0之间的数字、0到10之间的数字或0到1000之间的数字。评分系统也可以是非标准化的，并简单地表示为机算两个消费者之间的相似度的比例的数字。

在一些实施例中，在计算相似度分数时，每个贡献因子可以根据能够该因子的相对重要性的系数来进行加权。例如，一个人的性别比他们是否看某一特定电视节目的权重更大。权重最初可以通过应用启发方法来确定，并最终可以通过对随着时间的推移不断更新的广告宣传效果的统计分析得出。导出用于确定某一属性对相似度评分的贡献的加权系数的其他方法包括：回归、或特征选择，如最小绝对收缩和选择算子(“LASSO”)。或者，它可以适用于“真实数据”，例如登录数据。在一些实施例中，当系统尝试不同的组合或特征时，该系统可以通过使用“维持(held out)”测试数据集(其中该特征不用于图形的构建)推断出更高的查准率/查全率。

另一种推导特征的相似度分数的方式是使用如下任一种方法分析从广告活动到消费者反馈的连续比较的数据：机器学习；神经网络和其他多层感知器；支持向量机；主成分分析；贝叶斯分类器；Fisher判别；线性判别；极大似然估计；最小二乘估计；Logistic回归；高斯混合模型；遗传算法；模拟退火；决策树；投影似然；k-最近邻算法；函数判别分析；规则集成预测学习；自然语言处理；状态机；规则系统；概率模型；期望最大化；最大熵马尔可夫模型。这些方法中的每一种都可以评估消费者某一特定属性是否适合于衡量广告活动的有效性，并提供每一属性的定量权重。

表示方式

要正确评估整个消费者群体，需要存储大量节点。此外，表示节点类型和行为的属性集合可以是相当大的。存储大量这些节点的属性集合具有挑战性，因为节点的数量可能高达数亿。有效地存储数据也很重要，因为如果节点数据存储在内存中，则可以最快速、最有效地完成图形计算。

在优选的实施例中，属性是由稀疏向量表示。为了完成这种表示，给定类型的所有可能节点属性的集合存储在字典中。然后，每个节点的类型或行为表示为二进制稀疏向量，其中1和0分别表示属性的存在和缺失。由于给定类型的可能属性的数量非常大，因此对于给定的消费者，大多数的条目将会是0。因此，只需要存储那些非零属性的地址，并且每个稀疏向量都可以有效地存储，通常全部向量占空间的1/100以下。

例如，让这些属性将给定的消费者在上个月看过的电视节目进行编码。该系统在字典中列举了所有可能的电视节目，这些节目最多可以有100，000个不同的节目。对于每个节点，用户在最后一个月观看了该节目表示为1，否则为0。

如果属性是指示不同的收入水平，则枚举多个收入水平，1表示消费者属于特定收入水平(并且所有其他条目为0)。

因此，对于一个消费者i来说，年收入在30，000至60，000美元之间，并在上个月看过“英国疯狂汽车秀(Top Gear)”，则建立如下：

TV_字典＝{“行尸走肉(Walking Dead)”,“权力的游戏(Game ofThrones)”,……,“英国疯狂汽车秀(Top Gear)”}

TV_i＝[0,0,…,1]

TV_i可以简单地存储为[4]；只有向量的第四个元素是非零的。同样，在收入方面：

收入_字典＝{<$30,000,$30,000-$60,000,$60,000-$100,000,>$100,000}

收入_i＝[0,1,0,0]

收入_i可以简单地存储为[2]，因为只有向量的第二个元素是非零的。

因此，节点i的所有属性都可以用稀疏向量有效地表示。这所需要的内存比密集式表示少2到3个数量级。

图形构建

图5和6示出了构建消费者图的步骤流程图。MVPD可以单独使用它们的数据来构建图形，或者可以从第三方(例如DSP)中获取消费者图，或者它们可以基于来自这两个来源的数据组合来构建图形。

最初，该图形是设备的集合，这些设备是被映射到消费者。多个数据来源用于将多个设备(平板电脑、移动设备、电视等)分组到单个消费者上。这通常使用聚合技术。为了将单个设备(例如，智能电视)归属到多个消费者，使用了细分技术。

使用聚合方法，可以将多个设备分组到单个消费者(或图节点)。为此使用的一些数据来源包括但不限于：

IP地址：属于同一IP地址的多个设备表示单个用户或家庭。

地理位置：使用纬度和经度，在该位置附近的多个设备可以归属于单个用户。

发布者登录：如果同一个消费者是从多个设备登录的，那么这些设备可以与该消费者相关联。

在这个过程中，消费者的身份被掩盖，以消除对隐私的担忧。其结果是单个消费者ID与特定设备连接在一起。

设P(d_i,d_j)是两个设备d_i和d_j属于同一节点(消费者或家庭)的概率。根据从不同类别的设备获得的多个数据集，可以构建出这样的概率表达方式：

P(d_i,d_j)＝

w_IP×P(d_i,d_j|IP)×w_Geo×P(d_i,d_j|Geo)×w_Login×P(d_i,d_j|Login)/Z

其中“×”的意思是“乘”，其中w_是加权因子，P(d_i,d_j|Y)是一个条件概率(如果对于两个设备Y具有相同的值并且Z是标准因子的情况下，设备i和设备j属于同一个用户的概率)。因此，Y可以是IP地址。(条件概率的值可能为0.80)。每个数据来源都有一个不同的权重因子：例如，登录数据的权重可以高于IP地址。权重可以是固定的，也可以从独立的验证数据集中学习得到。

一旦将多个设备分组到单个节点，则来自各个设备的类型和行为将汇总到单个节点的属性中。例如，将来自移动(例如位置事件)和桌面(最近购买的)的属性(以及相应的稀疏向量)聚集起来。这为用户提供了更全面的信息，允许对节点进行更准确和有意义的推断。

由于与这些设备相关联并为各种媒体渠道所知的数据，使得将设备与给定的消费者相关联成为可能。例如，智能电视存储位置信息以及与其播送的内容有关的订阅信息。此信息与其他实体(如有线电视公司公司)共享的，并可从这些实体处获得。类似地，移动设备(如平板电脑或智能手机)可以与(家庭内)智能电视相同的wifi网络相关联。因此，有关位置的信息可以与例如手机运营商以及移动设备的订阅内容的广播公司共享。本文的图形方法的一个关键方面是，它允许消费者信息能够跨越不同设备和媒体平台(这些平台通常是彼此分开的)连接：特别地，本文的图形能够将来自在线和离线的购买源和观看源的消费者数据与电视观看数据连接起来。

通过细分方法，例如，单个设备(例如，智能电视)可以与多个消费者(或图形节点)相关联，例如，他们拥有连接到与智能电视相同的wifi网络的移动设备。

被分配了多个设备的给定节点n，这些多个属性被聚集成较小的设备组，例如从公共IP地址连接到多个设备的一个TV ID。电视收视率数据是将所有设备的属性汇总起来。聚类算法(如k-均值聚类)可用于将设备分组成较小的集群。集群数k通常可以根据设备数量来设置(默认情况下为k＝#设备数量/4)。有时，可能只收集家庭级别的综合数据。例如，一个家庭中可能有多达20个设备。但是，通过使用行为数据，可以确定这20种设备有4个主要的聚类，例如5个设备为一个聚类，其中聚类对应于同一家庭中不同的个体。因此，尽管有两种类型的设备(共享设备和个人设备)，但是将行为数据归属于用户仍然是很重要的。

一旦共享设备归属于多个节点，则可以将从该设备收集的数据归属于所述节点。例如，可以从OEM处收集智能电视的电视观看数据。通过这种归属方法，可以将电视观看数据添加到节点的属性集合中。最终，智能电视可以归属于同一家庭的不同人。

通过学习距离函数近似建模

给定图片G(N,E)和定义了相似性度量的函数形式以及一组种子节点，可以生成一组与种子节点相似的“近似”节点，其中相似度是固定的函数或通过学习得到的函数来限定的。当识别可能与对广告商已知的一组消费者相同或类似内容感兴趣的新消费者时，这是有用的。在从消费者群体的历史数据中预测消费者可能的行为时，可以使用类似的原则。

种子节点可以是一组节点，例如家庭节点或个体节点，从这些节点中使用固定的或学习的相似性度量生成一组相似的节点。例如，种子节点可以定义为受众部分(例如，观看特定节目的用户列表)。这对于确定每一个受众群体的成员来说都是有用的，即使他们没有观看与这些种子所观看的完全相同的节目，但也可能有相似的观看习惯。

给定图形中的一组种子节点(及其属性)，相似建模的输出是与这些基于固定的或学习的相似性度量的节点相似的一组节点(包括这些种子节点)。

几种不同的向量可以用来确定近似模型：一个是电视节目的向量。这个向量可以长达40k个元素。另一个向量是收看了特定节目(例如，辛普森一家-The Simpsons)的消费者列表。给定的电视节目的观众向量可以长达10M个元素，因为它包含对应于每一个消费者的一个元素。另一个向量将是访问的网站的向量(比如100k个元素的长度)。还有一个向量将基于观看的在线视频(可达100k个元素的长度)。

一般来说，电视节目比较数据可访问10M个用户群。在线数据可以识别出潜在的更多的受众，比如1.5亿个消费者。应该理解的是，电视数据可以在多种电视消费设备上积累，这些设备包括但不限于线性的、时移的、传统的和程序化的设备。

两个不同的节点之间的相似度可以根据它们的用稀疏向量表示的属性来计算。给定一个距离函数f(N_i,N_j)和一组种子节点N_S，计算出种子节点的每个元素(N_S中的n)与除了种子节点n以外的所有其他节点n’之间的成对距离。也就是说，计算所有的f(n，n’)。

在计算所有节点对相似度后，只选择符合f(n，n’)<T的节点。T是最大距离阈值，在阈值内这些节点被认为是相似的。另外，f(n，n’)(其中n不是n’)的值按递减顺序排列，并选择前t个节点对。在任何一种情况下，T和t都是(提供给该方法)预先设置的参数，或者是从真实数据或验证数据中学习得到的参数。满足上述条件的所有节点n’的集合构成了“近似节点”集。

图形推理

给定图形G(N,E)，还可以根据图中这些节点的邻近节点的属性推断节点n的可能属性。当给定的消费者存在不完整的信息，但有足够的信息可从中推断出时，这方法可能是有用的。例如，对于节点n可能缺少电视收视率属性(通常，如果用户确实看了节目，或者不知道他们是否观看了节目，则可以获得真实信息)，然而那些属性可从图形中的邻近节点n’、n”中获得的。节点n、n’和n”包含所有其他属性，例如收入水平和访问的网站。

在另一个例子中，对于计算与节点n相关联的消费者观看“行尸走肉(WalkingDead)”节目的概率是有用的，因为n’，n’两个人都在观看“行尸走肉”。如果给定n和n’、n”之间的边的权重，则相似性分别为w’＝0.8和w”＝0.9，并且基于他/她自己的属性则观看节目的可能性n是0.9，那么这个概率是由下面等式得出：

P(n观看“行尸走肉(walking Dead)”)

＝[0.8×0.9+0.9×0.9]/[0.8×0.9+0.9×0.9+(1–0.8×0.9)+(1–0.9×0.9)]

＝0.765

在从消费者群体的历史数据中预测消费者可能的观看行为时，可以使用类似的原则。

准确率

当接收到新的数据时，图形会不断地改善。在一个实施例中，使用诸如机器学习之类的技术来随着时间的推移提高图形的质量。这可以定期进行，例如在每周的构建阶段中进行。与这里的方法一致的是，当新的消费者数据可用时，所使用的图被频繁地更新。

要确定图的准确率，可以就查准率和查全率与验证数据集进行比较。验证数据集通常是一个(子)图，其中设备和节点关系是明确已知的。例如，来自在线网络(如eHarmony)的登录信息，表示同一用户何时从不同的台式机(Office、笔记本电脑)和移动设备(智能手机和平板电脑)登录该站点。因此，所有经常用于登录站点的设备都绑定到同一个消费者，从而绑定到该个人的图节点。此信息可用于验证构建的图是否将这些设备绑定到同一节点。

如果D是验证集合中的设备集合，则Z(D)表示由设备集合D构建的包含一组节点的图。对于不同的数据集，以及不同的图构建方法，则有可能得到不同的Z(D)。

对于集合Z(D)，真正性(true positive)(TP)、假正性(false positive)(FP)和假负性(false negative)(FN)的几率都可以计算出来。真正性(true positive)表示Z(D)中的所有节点也是验证集合中的节点。假正性(false positive)表示N(D)中的所有节点不属于验证集合中的节点。假负性(false negative)表示所有节点属于验证集合但不属于Z(D)。

查准率，定义为TP/(TP+FP)，是被正确地分组到消费者节点的检索到的设备的比例。

查全率，定义为TP/(TP+FN)，是被正确分组的消费者节点的比例。

取决于所使用的应用，在查准率和查全率之间有不同的权衡。在构建消费者图的情况下，优选要获得高查准率和高查全率，以能够用于比较不同的消费者图。

在构建图本身的时候，不能使用验证数据集，因为这样做的话给查准率和查全率带来偏差。

学习相似性度量

随着更多数据的引入，图的另一个可以调整的特征是底层的相似性度量。通常情况下，度量持续一段较长的时间，例如图的5-10次迭代，并且度量不以与精确率相同的频率重新评估。

在距离函数不固定的情况下，可以学习特定距离函数的参数，或者从这类函数族中选择最佳的距离函数。为了学习距离函数或其参数，将查准率和查全率的值与验证集合进行比较。

假设一个目标是基于已知的高收入者的种子集的属性来预测高收入者的相似受众群体。对于不同的距离函数或特定距离函数中的不同参数，计算种子节点与图中所有其他节点的相似度。距离函数利用节点的属性(如在线和电视收视率)来计算相似度。

例如，如果距离函数是带有参数s的径向基函数，其中：

f(N_i,N_j)＝exp(||A_i–A_j||^2/s^2)，

然后，针对s的不同值，使用相同的距离阈值T计算出种子节点到所有其它节点的成对距离，以生成相似节点集合。对于不同的s值(需要学习的参数)，计算生成不同的相似节点集合，以N_S(s)表示。

对于集合N_S(s)，可以计算真正性(TP)、假正性(FP)和假负性(FN)的几率。真正性是N_S(s)中属于验证集合中的目标集的所有节点。在这个例子中，所有的节点也是(在真实数据集合中的)高收入者。假正性是N_S(s)中不属于目标集合(不是高收入者)的所有节点。假负性是属于验证集的所有节点(是高收入者)，但不属于N_S(s)。

基于应用，在查准率和查全率之间有不同的权衡。在以广告的受众作为目标的情况下，希望获得较高的查全率，因为曝光(广告)的成本是低的，然而失去目标受众中的成员的成本是高的。

在本文的示例中，目的是从其他类型的距离函数的s可能值中选择查准率和查全率都很高的s的值。对于其他类型的距离函数，可能有其他参数能够最大限度地提高查准率和查全率。

近似模型的精确率只被限定为针对目标受众群体。例如，可以使用电视观看和在线行为数据集从高收入者的种子集预测近似的受众群体是否也包括高收入者。预测可以使用真实收入水平集合来验证，其中真实收入水平集合是用于得到预测的节点集合。这得到了预测的精确率。然而，对于一个新的目标部分来说，预测某一部分的准确率是没有意义的，比如那些同样的用户是否也是豪华汽车司机。

计算重复到达率

消费者图将节点(消费者)连接到他或她使用的所有设备。因此，该图允许重复广告对个人的总曝光量。例如，如果用户abc123已经在他的每个电视、桌面和移动设备上看到一个特定的广告，总重复的曝光量将算作1。这使得下列度量计算用于进行直接测量。

重复曝光受众是指属于消费者图中目标受众群体的用户数量，其中这些用户是在重复曝光后接触到广告。那么，直接重复到达率是：

重复到达率＝重复收看的观众/观众总数

对于抽样测量，这使得可以计算重复收看广告的抽样受众数量，即属于在重复曝光后接触到广告的目标受众群体中的重复收看广告的抽样用户数量。那么，抽样的到达率是：

重复抽样的到达率＝重复收看的抽样受众/总抽样受众

对于建模的测量数据，消费者图中的用户的ID是未知的，其中从这些用户收集数据。因此，到达率数据不能在一对一的水平上重复。

如果广告主想要对消费者设定频率上限(例如，如果广告主不想向同一用户显示同一广告两次以上)，则对重复到达率的计算在管理目标方面是有用的。重复到达率还提供了一种方便的度量标准，用于优化广告活动的效果：例如，随着时间的推移，通过计算重复到达率，当广告活动调整时，可以通过改变活动的参数(例如，消费者人口或电视内容播送的时间和频道)来继续进行改进。

计算增加的到达率

在某一天t，令(直接的或抽样的)重复到达率为x。增加的到达率是进行该活动之后的额外的重复到达率。在跨屏幕的应用中，如果一个广告主想能够评估他们是否能够通过电视扩展到30％的到达率、通过移动平台扩展到35％的到达率，这是一个有用的参数。但需注意，在直接测量例如电视数据时，由于智能电视数量目前在人群中相对较少，因此对于智能电视获得的样本部分只是全部数据的子集。

例如，在建模测量数据是来自广告公司且必须要推断出样本的性质的情况下，消费者图中的用户ID是不知道的，其中数据是从这些用户收集的。因此，不可能知道同一用户是否在过去看过该广告。因此，由于设备不能与特定用户相关联，因此不能对建模的数据计算增加的重复到达率。如上面所描述的那样，在不重复的情况下可以计算来自抽样测量的增加重复率，因此本文的方法比基于版面的方法更好。

用户设备习惯建模

解决不同数据跟踪需求的问题包括处理数据输入，这些输入可能具有反映每一类设备或媒介的性质的排序标签。在一个实施例中，本文的技术通过基于每个设备的性质分配数据来解决这个问题。例如，第一批消费者数据仅限于从特定消费者使用的特定设备映射的数据，这些来源是多个第三方API。该设备数据会在每个特定设备上更新消费者在何时、何处、如何、多久以及使用程度等方面。然后，将该数据分别与其他消费者数据整合和处理。所有设备使用数据都整合在一起，以便更精确地知道用户随时间的接入点和行为。

在另一个示例中，一批消费者数据基于消费数据。在每个设备存储的数据中，潜在地包括关于实际使用的媒体的另外多个第三方数据。这些数据可以从内容提供商、原始设备制造商、发布者、其他数据整合方和测量提供商(如Nielsen)处获得。这些数据提供了关于消费者观看了哪些内容的信息。通过了解消费者所观看的内容，就可以了解消费者的口味和偏好，了解他们正在看什么电视节目，以及他们在什么时间、地点和设备上观看节目。有多种确定的方法(例如，了解家庭中的哪个成员已经登录了他们的Netflix帐户)来确定一个家庭中的哪个人正在查看哪些内容。

采用这样的结构，系统能够在不同类别内和跨越不同类别整合和处理数据。一个例子是将给定消费者的完整用户数据集合与市场部门其他成员的完整数据集合进行比较。将每个完整的用户数据集合与其他每个用户数据集合进行交叉比较。然后，该系统匹配类似的行为，并能够确定可能影响广告效果的细微差别。这样的确定也能在逐个消费者的基础上对预测算法进行调整。这样，如本文进一步描述的那样，因为可以将受众与电视活动相匹配，因此消费者数据可以用于收益优化。

设置广告宣传活动

广告主选择各种活动参数和活动目标。该广告主可以选择特定的参数，如人口统计，然后对符合活动标准的总体人口百分比进行评价。例如，该广告主可以针对年龄在20至30岁之间的加利福尼亚妇女，并要求这部分人口的比例为20％。另一个标准可以是广告覆盖特定人口的频率，例如“对每个年龄组进行两次曝光”。标准可以缩窄，以识别关注市场上某一特定产品的用户，例如，针对最近寻找鞋的妇女。

合起来，广告主指定的标准可以按重要性进行排序和加权。例如，对旧金山妇女的加权可能比位于萨克拉门托的妇女更高；在这种情况下，该系统可以为权重较高的总体人口中的特定人群分配和预算更多曝光量。此外，可以根据观众的产品购买模式和媒体消费对他们进行特定分类。可以基于购买历史在活动参数中加入假设，这样购买过奢侈手提包的个人更倾向于对奢侈手提包广告做出喜欢的反应。

接下来，该系统可以针对来自第一方数据库并通过第三方API的数据库接收的消费者数据运行多种活动参数和目标。

底层消费者数据输入是从多个来源以及第三方数据来源处整合的，其中包括通过机器学习过程产生的内部开发数据集合。例如，代表消费者和观众数据的第三方API可以与来自一系列进程的内部处理数据流的数据相结合，例如，追踪观众的行为，并可以预测观众的消费结果。可以提供购买建议，并可以基于相关的实时度量应用来推导出比较。该系统可进一步协助交易竞价和购买的执行。

在优选的实施例中，由于在一个系统中整合了来自多个不同来源的数据，因此以与现有方法相比更快的速度实现了广告库存的竞价和购买。这种速度的提升也大大提高了预测媒体消费和消费者行为的数据模型的准确率。例如，该系统能够包含与交易平台中的其他买家相关的一系列数据，以便根据库存分配等考虑因素对购买进行优化。

在一个优选的实施例中，该系统包含来自第三方的API，这些API跟踪消费者行为和消费者人口统计资料(例如，年龄、种族、地点和性别)等相关度量。相关的度量是根据买方的活动需求进行分析的，如预算、期望的受众和曝光的数量。

为了分析现有的广告库存，系统通过发布者和内容提供商的API获取实时的库存数据。有关库存的数据可以跨媒体进行汇总，以便可以合并数字、移动、电视和OTT可用的库存，从而允许广告主横跨多种媒体、设备类别和内容渠道分配其预算。或者，如果这些内容与想要的电视空档不能统一，这种整合允许MVPD将广告内容分配给电视以外的平台。

一旦广告主已经指定了活动参数，并且系统已经确定了合适的库存，该系统允许广告主选择用于优化曝光分配的策略。具有多种的广告策略可供广告主使用。

广告策略的示例因素如下：

·步调:广告主投放广告的比率。

·平均步调：基于活动的预算和长度均匀地分配。

·加速购买：基于表现购买(例如，该系统检测整个汽车视频观看者的人群，并根据发现自动分配)

·竞争步调：如果广告主的竞争对手大量购买特定的一个空档，广告主可以选择是与他们竞争，还是从剩下的那些空档中分配(这适用于任何设备媒体)。

·具体时限策略：广告是根据一天中的时间和一周中的某天进行购买的。终端用户广告主可以购买一整天的库存(例如每六小时播放一次)或者限定在一天中的指定时间。

·库存策略：广告的购买是基于最大限度的广告开支或基于满足特定的活动参数和目标。

·定价策略：购买的重点是保持在一定的预算范围内。预算可以根据库存、媒体和/或时限分配金钱。

·媒体策略：系统检测出哪种媒体能够最好地满足活动目标。

分段媒体规划是将许多媒体策略部署到不同的库存类型的做法。现有的策略将许多消费者纳入高层次的消费者分类。

在这一过程的一个例子中，广告主将设定他们的媒体策略，目标限定为中年妇女的人群。然后，该系统可以将中年妇女的人口划分为多个的子部分，例如有子女的妇女和没有子女的妇女。接下来，该系统可以将广告策略(如均衡Pacing策略)匹配到单个人，比如，匹配到一个在过去一个小时里在搜寻尿布的有孩子的特定妇女。然后，该系统可以将广告分配给该妇女的特定设备，比如她的手机，以便下次她打开应用程序(如YouTube)时，广告就会显示出来。

MVPD环境

如图8所示，本文描述的技术允许MVPD针对可用的库存优化广告主的宣传活动。该系统被媒体主使用，他们是将各种广告机会卖给试图策划和投放数字广告活动和电视广告活动的市场营销者。广播公司或MVPD具有客户数据的数据库801，并控制着将广告内容与电视库存相匹配的系统。该系统接受来自广告主的一个或多个活动描述127、广告空档811的库存、横跨多个广播频道的汇总以及一组冲突约束条件821作为输入。冲突约束条件是广告内容投放的条件，这些条件可能来自广告主本身、监管局或MVPD本身。这些冲突约束条件是“硬”约束条件，因为将广告内容和特定电视时段进行匹配的最终结果不能违反这些约束条件。

使用本文描述的方法，MVPD在受冲突约束的情况下，将活动与库存中的空档进行匹配831。这会得到许多适合与给定活动相匹配的可能的空档。

然后，这些空档可以进行场景建模的交互和/或迭代步骤(要么自动执行，要么由操作人员进行处理)，该步骤利用客户观看信息和人口统计数据来获得某些参数θ。匹配过程受“软”冲突约束条件的约束，例如，通过约束满足引擎851。

流程结束得到的是一个或多个空档861，这些空档861被认为是该活动的最佳选择。在这一阶段，这些活动空档包括最好的一个，但可能有必要作出权衡。

约束条件的满足

MVPD环境可以将用户指示的和加权的活动约束条件(例如，政府法规等硬约束条件，以及与商业目标相关的软约束条件)纳入库存和活动的匹配过程中。该系统通过纳入用户提供的优先级权重得出收益预测和活动成功率。权重切换和控制可以通过软件界面进行，允许用户根据可能的约束条件列表测试更高或更低权重的影响。该系统还得出软约束条件的最佳权重，其最大限度地增加了媒体主控制的各种电视节目上可用广告库存的广告销售和广告投放的MVPD收益。该系统得出的广告投放建议，通过整合和计算各种广告布局约束，有效地避免了调度冲突。

硬约束条件指的是法律(如联邦和州法规)或其他强制性限制，以将广告投放在特定空档或特定媒体中。强制性限制可以是广告主施加的限制：例如，一家软饮料制造商可能要求其广告不与特定竞争的软饮料制造商的广告相邻。法律上的限制可以是要求某些类别的广告不与特定的节目内容一起播放。(例如，酒精饮料的广告不能在儿童节目中播出。)

软约束条件是指对在特定媒体中的特定时间空档投放广告的期望(非强制性)限制。

约束条件的满足指的是找到一组约束条件的解的过程，该约束条件强加了变量必须满足的条件。因此，解决方案是满足所有约束条件的变量的一组值。

求解多个约束条件满足问题(“CSP”)的多个算法采用搜索和推理(约束传播)相结合的方法，其中约束传播用于减少搜索空间，例如消除不属于解的变量对/值对。虽然广告调度问题通常很容易通过CSP建模，但这只适用于仅受硬约束条件的计划表。当调度涉及软约束条件(即优选不应违反或可能违反的约束)时，CSP目前不能很好地解决。尤其是当所有解决方案都违反了至少一个软约束条件时。

本文的技术使得有可能通过使用一个或多个局部CSP(PCSP)或加权CSP(WCSP)来解决涉及软约束条件的广告调度问题，其中使用算法来使软约束条件的违反情况最小化。通常，CSP不容易结合次要目标(即按顺序或偏好排列的商业目标列表)。在存在具有加权偏好的多个目标的情况下，通常使用线性规划(LP)是更有效的。因此，本文使用的底层约束条件满足技术可以使用PCSP和线性规划的组合来整合硬约束条件和软约束条件。输出是在可用的广告库存中的广告计划投放，在满足多个约束的同时最大限度地增加收益。通过这种方式，可以得到满足总约束条件的一个子集的解决方案。

对于具有硬约束条件和软约束条件(或权重)的调度问题，目前还没有通用的解析解，而规划这类问题的另一种方法是加权约束满足问题(WCSP)。解决WCSP的方法有多种。例如，本地随机搜索对于Max-SAT是有效的(例如，参考Internet站点www.cs.cornell.edu/selman/papers/pdf/maxsat.pdf.)。进化算法或基于种群的随机优化(例如，在ieeplre.ieee.org/document/6900239/上的方法)也能有效地解决更广泛的约束条件满足问题，并可与本文中的方法结合使用。条件偏好网络(CP-net)是解决硬约束条件和软约束条件混合的另一种技术。在几个应用中，WCSP比LP得到更有效的解，例如(见www.inra.fr/mia/T/degivry/Akplogan13.pdf)。

作为潜在的收益优化解决方案的一部分，沙箱环境(或与外部输入隔离或隔离的等效环境)执行以下任务，如图8所示：

(a)输入与广告宣传活动详情及广告副本详情有关的资料，包括任何规定的广播限制代码；

(b)根据收益优化模型输入广告库存的数据变量和限制；

(c)得到一个输出，以显示符合硬约束条件的宣传活动和广告副本；及

(d)通过场景建模器，将用户选定的权重整合到各种活动的完成、目标和优先事项上。

上述过程允许广告库存销售商模拟不同约束条件的优先级设置对收益回报的影响。用户可以在多个命名的约束条件上进行更高或更低权重的切换。

在一个例子中，潜在的解决方案必须在商业广告中投放主要的航空广告。要做到这一点，决策引擎不会唯一地基于预期回报和每个曝光所赚取的费用来计算广告投放的价值。相反，这些广告是使用广告属性和优先级权重的线性组合来处理的。该系统根据用户指示的权重计算排名上的所有选择并投放航空公司的广告。与现有方法相比，这是一种改进，因为现有方法只能根据每个曝光获得的费用来计算收益。

在第二个例子中，潜在的解决方案有一个硬约束条件，其禁止在特定情景喜剧的商业广告中投放美容产品广告。正如该节目的播音员所描述的，投放这个广告将违反情景喜剧的节目限制。为了实现美容产品广告的允许投放和收益最优化投放以避免违反硬约束条件，系统进行了两个阶段的分析。在第一阶段，引擎过滤掉所有违反一元约束条件的广告样本-其中一个一元约束就是节目限制。在第二阶段，该节目通过前端为美容产品广告产生提示性的投放结果。

在第三个例子中，汽车制造商的广告被投放在商业广告中。然而，内容提供商有一项商业政策，即它不会在连续的广告空档中播放竞争公司的广告。这表示对内容提供商的软约束条件。该系统检查由内容提供商提供的约束条件。内容提供商-用户例如，通过使用用户界面上的切换键设置约束条件的权重，该切换键是用户设置的由高到低的滑动条。如果将权重确定为高度优先，则该系统将不会产生任何将竞争对手广告放置在汽车制造商广告旁边的情况。此外，系统还可以同时集成硬约束条件。在这个例子中，用户提供了一个硬约束条件规则，即禁止酒精和汽车广告一起播放。该硬约束条件由系统同时处理，以限制推广酒精饮料的广告。后端系统将所有随后的传入广告请求的限制保存到内存中，以确保汽车制造商和酒精饮料广告请求被拒绝播插到汽车制造商的广告旁边的空档中。

在该方法的所有实施例中，该约束条件满足引擎可以解决多个约束满足问题。该解决方案除了解决非二进制软约束条件外，还解决了二进制硬约束条件。在涉及汽车制造商广告约束条件的第三个优选实施例中，该引擎的算法改变未经授权的广告的投放，例如，将Guinness和Ford的广告投放在两家汽车制造商广告策划以外的空档中。该引擎可以解决任意的硬和软约束条件。

在第四个示例中，该引擎考虑在特定儿童电视节目的播出过程中播放哪些广告。当确定在特定的商业广告空档中投放哪个广告时，系统首先根据下列隐含约束条件过滤掉所有广告，并将每个约束条件视为硬约束条件：

1.任何已达到其频率上限的广告：例如，将最近已完成全部所购买的播放数量的汽车广告移除。

2.在儿童节目中播放软饮料广告的限制投放规定中所禁止的任何广告(如英国监管机构Clearcast颁布的广告)。

3.在儿童节目中播放酒精饮料广告的限制投放规定中所禁止的任何广告。

该系统以编程方式应用上述过滤器，并且系统对可获得最高收益广告投放提出建议。

在第五个示例中，该系统能够解释软约束条件，软约束条件是与客户广告的相对排序相关的广告策划目标。这是在应用硬约束条件过滤器之后发生的，并且这些数据表不再被授权投放不允许的组合。在这个方案中，系统根据与广告主-客户管理相关的商业策略优化广告投放。例如，该系统在不违反任何硬约束条件情况下将竞争对手的广告尽可能地分开。如果用户-内容提供商相对于另一个广告客户更偏重这个广告客户，则可以通过前端用户界面来调整软约束条件设置以表示该偏好。该系统解释该偏好，并将更偏重的客户的广告投放在能最佳实现客户活动目标的程序中断点。通过前端，用户内容提供商可以对广告主-客户进行排名，并根据偏好模型生成广告调度建议。

优化多个广告库存的虚拟销售收益

本文技术的优点是，用户可以运行多个将广告活动与库存空档匹配的模拟。因此，模拟能够实现收益最优化，使MVPD能够评估哪些匹配组合将带来最大的广告收益。

在一个实施例中，可以例如以编程方式将广告库存的汇总量划分为商品化的库存块，然后将库存块配对和针对与各个库存最相关的市场部分。因此，通过分割和需求配对以可以自动化的方式优化数字广告收益。从而，该解决方案优化了内容提供商(如付费电视运营商、电视原始设备制造商、注入广告交易平台的供应侧平台、广告网络、电视和销售广告的媒体公司等)可提供的库存的销售表现。

在另一个实施例中，自主编程系统使媒体销售商和内容提供商能够通过选择性地锁定库存购买者来最大化总利润。该系统包括一个软件界面，卖家可以通过该界面访问和管理一个可用的广告库存。该系统还可以包括一个API产品，该产品可用于为交易的任何一方或双方的现有企业平台提供数据。因此，该系统可以是独立的媒体管理平台，也可以是与外部平台交互的数据系统。

虽然该系统可以被MVPD用于搜索以对电视库存中的广告进行优化投放，但该系统可以更广泛地用于各种跨屏幕设置。为此，它在多种设备和媒体上输入一份可用数字广告库存列表。例如，在一个实施例中，系统输入一个代表在数字移动应用上的曝光量的数字(例如1000)；一个代表桌面网站上的曝光量的数字(例如1000)，一个代表在黄金时段节目中的电视播插广告的数字(例如2)，以及另一个代表广播内容中播插广告的数字(例如10)。系统将所有可能的销售侧库存汇总到一个公共关系数据库中。数据可以根据其相关属性(如媒体介质、库存计划表和媒体广播)进行结构化和标记。结构化和标记可以根据一定的规则和识别内容的能力自动完成。

该系统可以是同一系统，它汇总了与当前主流市场状况有关的数据，如当前的清仓价格、中标价格和需求的合作伙伴数量(库存的购买者)。可以将更多的市场数据整合纳入数据库。这些数据可以包括每个市场的历史特征，以确定适当的定价模式。

通过单独的需求方数据处理，系统收集和汇总需求方(库存买方)数据。需求方数据可以通过需求方合作伙伴通过他们API生成。需求方数据列出了所有对可用广告库存的当前和主动请求。然后，该系统对需求方数据进行优化处理，将库存分成更小的可销售数据块。这些数据块被排序和评级，以显示对每个区块将为供应方卖家带来多少收益进行的估计。最优化过程还可以将目标部分从需求方映射到供应方数据集合中的可用广告库存。在一个示例中，需求侧目标部分示出了库存购买者有兴趣购买对29岁的男子进行的1000次曝光。该系统从供应商数据集合中识别每个曝光库存的最高值，并自动将需求数据推送给供应方用户。

一旦配对，该系统通过接口向供应方用户提供建议。这些供方用户包括内容提供商、原始设备制造商、供应方平台，如广告交易平台、广告网络、电视和销售广告的媒体公司(如福克斯新闻社、CNN、SKY TV)。或者，系统可以通过API分配在各种库存市场中出售的多种库存块。API的数据使用上面提到的方法进行了优化，并在新的库存变得可用时自动更新。解决方案的数据输出被用来最大限度地增加总收益，并向目标部分提供最佳匹配。

随着对新库存市场的了解和识别，优化工具可以在解决方案优化过程中考虑这些市场的相关特征。随着新媒体渠道的出现，例如新媒体消费设备的创建，该系统将围绕关于消费者使用这些设备的信息进行优化。随着新需求合作伙伴的加入，该系统将根据市场总需求重新计算库存销售的分配。

不像现有的系统无法自主地解释需求市场中的个别细微差别，也无法自动将需求市场细分成一个个分析块，当前的系统则得益于对可用数据输入的自动标记、持续分析和重新组织。该系统处理大量可能的赚钱机会(最好包括用尽所有这些机会)，并提出估计哪些机会是最有经济价值的。

投放和优化跨屏幕广告内容

本文所描述的技术还允许广告主通过多个媒体渠道(包括电视和在线媒体)向消费者投放广告内容。这在MVPD无法在现有电视空档中找到广告内容的最佳投放，但能够访问相关消费者群体使用的其他已知设备上的库存的情况下显得尤为重要。

广告主可以在两种环境中瞄准消费者。在1：1环境中，DSP只需使用实际部分和/或实际部分的模拟出的版本，以在消费者与目标参数匹配的情况下实时做出投放广告的决定。在指数分析法中，当无法实现1：1瞄准且不可能进行动态广告插入或实时决策时，系统将查看预计访问该空档(例如电视节目或VOD节目)的观众的集中程度，然后瞄准目标消费者集中度最高的空档。

在一个优选的实施例中，广告主控制广告内容的分配，因为广告主通过一个统一的界面访问系统，该界面显示关于库存的信息、管理库存的竞价、并提供与活动描述和广告主预算相一致的潜在广告目标列表。然后，该系统与供应侧提供商通信连接，以确保购买期望的空档，通常是通过竞价过程来购买，并且广告内容被投放或被安排投放。

在一个实施例中，该技术为广告活动提供了通过两个或两个以上媒体渠道的广告投放，而不是在不同时间(例如仅在电视上)向多个消费者投放单个广告。因此，该系统允许在多个设备上向给定消费者或消费者群体投放广告内容。例如，消费者可以在电视上查看该活动的一部分，也可以在他们的笔记本电脑或OTT设备上的桌面浏览器会话中看到该活动。在这种情况下，根据本文描述的竞价方法或熟悉本领域的技术人员，可以通过各种电视消费设备购买电视库存，这些设备包括但不限于线性、时移、传统和编程电视。在某些情况下，广告主希望限制给定消费者接收到的曝光的数量；在另一些情况下，广告主希望根据横跨多种媒体渠道计算的指标来将广告从一种媒体扩展到另一种媒体。该方法允许广告主比以前更精确地瞄准人口中的各个部分，以及基于多个渠道的性能指标实现活动精细细化。

该技术具有两个方面使广告主能够成功地管理和完善广告活动：该系统能够跟踪给定消费者能够访问哪些设备，以及用户在哪些设备上已经接触到该广告活动；该系统还可以识别出那些最有可能对该活动内容感兴趣的消费者。因此，目标定位的准确率可以通过基于从汇总的跨屏幕视图数据到消费者行为的映射进行的预测来实现。

该系统的分析部分能够横跨多种媒体接受关于消费者行为的无限数据输入。该系统使用这些数据来优化消费者分类。输出的第二部分是基于跨屏幕行为的数据来改进对未来消费者行为的测量和预测。

对跨屏幕数据的分析能够确定消费者在何处和何时观看了某一广告或某一特定版本的广告，从而允许广告主在多个平台上安排广告活动的播放。然后，广告主可以安排广告随后的播放地点、时间和方式。他们可以控制重新确定目标(不管他们是否不止一次展示相同的广告)，或者可以选择播放一个多章节的广告故事。

图7中示出了一种用于管理跨两个以上的显示设备向消费者投放广告内容的方法。根据本文其他描述的方法，消费者图是已经构建或正在构建和修改的消费者图710，和基于消费者属性图定义的消费者池730，其中该消费者图包含关于每个消费者使用的设备和每个消费者的人口统计数据的信息，其中消费者池包含与目标受众成员具有至少阈值相似度的消费者。

该系统从一个或多个媒体渠道或内容提供商处接收广告库存712的列表，其中库存列表包括一个或多个电视空档和线上空档。

该系统接收来自广告主的一个或多个广告描述705的价格点702，其中每个活动描述705包括一个计划表，该计划表用于在消费者和目标受众720访问的两个或两个以上设备上投放多个广告内容项，其中目标受众由从以下一个或多个人口因素限定：年龄范围、性别和位置。价格点702代表广告主在广告活动中的预算。该预算可以根据活动的库存和目标跨多个空档和跨多个媒体渠道进行分配。目标可能包括所希望到达的目标受众，以及希望的曝光数量。

基于消费者池、活动描述和可用库存，系统可以确定一个或多个广告目标，其中一个或多个广告目标中的每一个包括两个或多个与活动描述705相关联的给定价格点702相一致的空档。然后，可以基于该库存将一个或多个广告描述的广告内容分配给一个或多个广告目标。

上述步骤可以按除了上述顺序之外的按顺序地执行，或迭代地、顺序地或部分地同时执行。因此，该系统可以在收到广告库存的同时、或在收到广告库存之前或之后，接收活动描述和价格点。此外，消费者图可以不断更新。

对于给定的消费者，识别该消费者访问的多个设备740。这可以通过构建本文中所讨论的设备图来实现。那些与多个设备关联的消费者，在这里可以成为广告活动的目标。

可通过各种应用程序接口(API)向系统输入多种类别的数据(库存、广告活动等)，这些接口的开发是在本领域技术人员的能力范围内进行的。

然后770，对于广告目标中的每一个空档，系统对该空档进行与价格点一致的竞价；对于竞价中标的两个空档，系统随后指示第一内容提供商将第一空档中的第一项广告内容投放给第一设备上的消费者池，而对于第二空档，则可以指示第二内容提供商将第二空档中的第二项广告内容投放给第二设备。优选地，第一设备和第二设备中的至少一个是电视。

应当理解的是，一旦电视和在线库存的空档被确定为与广告活动一致，指示和投放的步骤对于执行该方法的给定实体来说是可选的。

这里所述方法还可优化在消费者可访问的多个设备上的广告活动。这些方法建立在上述的和图7中的投放方法的基础上。一旦确定了消费者是目标受众的成员，并且已确定了消费者可访问第一和第二设备，广告主希望以改进先前的广告活动并且符合广告预算和目标受众的方式购买第一和第二设备上的第一项广告内容和第二项广告内容的空档。

在这种情况下，系统可以接收关于消费者对第一项和第二项广告内容的反应的反馈，并且基于该信息以及来自其他消费者的类似信息，可以使用该反馈来指示为第一项和第二项广告内容购买更多的空档。

例如，系统可以从与第一项广告内容相伴的第一标签处接收第一数据，以验证特定消费者是否在第一设备上观看了第一项广告内容，以及从与第二项广告内容相伴的第二标签处接收第二数据。给定的内容数据可以是信标，例如通过协议(如VPAID或VAST)通信。

在一些实施例中，数据可以包括确认消费者是否看到了第一项广告内容，在这种情况下，直到消费者看到第一项广告内容，第二项广告内容才被投放给消费者。

在一些实施例中，可以以多种不同的方式优化广告活动。如本文其他部分所述，尽管对重复到达率的测量可用于评估-并改进-广告活动的有效性，但另一个因素是广告活动的总体成本效益。例如，给定一个预算，或者每个广告总花费一美元，则可以计算每次曝光的成本。这个数字可以在活动的连续迭代中进行优化。

在其他实施例中，广告活动在活动进行期间被更新和优化。例如，一个活动可能被安排在一个特定的时间段内进行，例如3天、1周、2周、1个月或3个月。本文的系统可以在活动完成之前提供关于活动效果的反馈，因此可以为广告主提供调整活动参数的能力和机会，以提高活动的到达率。这些参数包括但不限于受众人口的多个方面，如年龄、收入、位置和广告投放的媒介(如电视台)或一天中的时间。

本文所述的系统和方法还可以进一步为广告主提供一种方法(例如使用相似模型)，以根据历史上积累的观众数据来预测未来的潜在观看习惯。历史数据可以包括在活动过程中获得的数据。

计算实现

用于处理广告活动数据、广告库存、消费者和设备图(如使用比特串表示)、以及优化收益和在硬和软约束条件下工作的计算机功能可以由编程人员或本领域的程序员团队开发和实现。这些函数可以用多种编程语言实现，在某些情况下包括混合实现。例如，这些函数以及脚本功能可以用函数式编程语言编程，例如：Scala、golang和R。其他编程语言可用于实现某些部分，如Prolog、Pascal、C、C++、Java、Python、VisualBasic、Perl、.Net语言(如C#)、和其他未列出的同等语言。本技术的能力不限于或依赖于那些用于对基本功能访问的实现或控制的底层编程语言。或者，该功能可以通过更高级别的函数来实现，例如工具包，这些工具包依赖于以前开发的函数来操作数学表达式(如比特串和稀疏向量)。

本文的技术可以开发成与目前正在使用的任何著名的计算机操作系统以及没有在本文列出的其他操作系统一起运行。这些操作系统包括但不限于：Windows(包括WindowsXP、Windows95、Windows2000、Windows Vista、Windows 7和Windows 8、Windows Mobile和Windows 10以及微软公司的中间更新等变型)；Apple iOS(包括iOS3、iOS4、iOS5、iOS6、iOS7、iOS8和iOS9等，并不断更新)；苹果公司的MAC操作系统，如OS9，OS10.X(包括“Leopard”、“Snow Leopard”、“Mountain Lion”和“Lion”的变型)；Android操作系统；UNIX操作系统(例如，伯克利标准版本)；以及Linux操作系统(例如，可以从免费的众多发布者或“开源”软件处获得)。

就这一点来说，给定的实现依赖已实现的其他软件组件，例如用于操作稀疏向量的功能以及用于计算向量的相似性度量的功能的其他软件组件，可以假定本领域的技能程序员可以实现这些功能。

此外，应该理解的是，令经过适当编程的计算机执行本文所述方法的可执行指令可以用任何适当的计算机可读格式进行存储和投放。这可以包括，但不限于便携式可读驱动器，如大容量的“硬盘驱动器”、或“随身存储器”(如连接到计算机的usb端口)、计算机的内部驱动器、以及光盘只读存储器或光盘。进一步要理解的是，虽然可执行指令可以存储在便携式计算机可读介质上，并以这种有形的形式投放给购买者或用户，但可执行指令也可以从远程位置下载到用户的计算机，例如通过可在一定程度上依赖无线技术(例如wifi)进行互联网连接。本技术的这个方面并不意味着可执行指令采取信号或其他非有形的形式。可执行指令也可以作为“虚拟机”实现的一部分来执行。

本文的技术不限于特定的网页浏览器版本或类型；该技术可以通过以下一种或多种浏览器来实现：Safari、InternetExplorer、EDGE、Firefox、Chrome或Opera，以及其他的任何版本。

计算装置

适合于实施本文描述的方法的示例性通用计算设备900在图9中示意地描述。这样的计算机设备可以位于MVPD的控制范围内，例如链接到MVPD公司环境内的内联网。

计算机系统900包括至少一个数据处理单元(CPU)922、存储器938(通常包括高速随机存取存储器以及非易失性存储器，例如一个或多个磁盘驱动器)、用户接口924、多个磁盘934、以及至少一个用于在包括因特网在内的网络上与其他计算机和其他设备网络进行通信的其他通信接口连接936，例如通过高速网络电缆或无线连接。在计算机和互联网之间可能有一个防火墙952。至少CPU 922、存储器938、用户接口924、磁盘934和网络接口936是通过至少一个通信总线933彼此通信。

CPU922可选地包括向量处理器，该向量处理器被优化用于操作大的数据向量。

存储器938存储程序和数据，通常包括以下的部分或全部：用于提供基本系统服务的操作系统940、一个或多个应用程序(例如解析器程序950和编译器，未在图9中示出)、文件系统942、存储广告库存946、活动描述948和其他信息的一个或多个数据库944、以及可选的浮点运算处理器(用于执行高级数学操作所必需的)。本发明的方法还可以利用的一个或多个动态链接库中包含的功能，动态链接库在图9中未示出，但存储在内存938或磁盘934中。

如图9所示存储在存储器938中的数据库和其他程序则可选地存储在磁盘934上，其中数据库中的数据量太大以致无法有效地存储在存储器938中。相反，数据库或者也能够部分地存储在通过网络接口936与计算机系统900通信的一个或多个远程计算机上。

对存储器938进行指令编码，用于接收来自一个或多个广告主的输入，以及用于计算消费者之间的相似度分数。指令还包括用于执行一个或多个解析、计算度量和多种统计分析的编程指令。在一些实施例中，稀疏向量本身不在计算机900上计算，而是在不同的计算机上执行计算，并且例如通过网络接口936传送到计算机900。

具体地，本文技术的多种实施能在不同复杂性的计算设备上执行，包括(但不限于)工作站、PC、便携式电脑、笔记本电脑、平板电脑、上网本和其他移动计算设备，包括手机、移动电话、可穿戴设备和电子记事簿。计算设备可以具有适当配置的处理器，包括(但不限于)图形处理器、矢量处理器和数学协处理器，用于运行执行本文方法的软件。此外，某些计算功能通常分布在多台计算机上，使得例如，一台计算机接受输入和指令，第二计算机或其他计算机通过网络连接接收指令，并在远程位置执行处理，并可选地将结果或输出传送回第一计算机。

计算设备的控制可以通过用户界面924进行，用户界面924可以包括显示器、鼠标926、键盘930和/或图9中未示出的其他项，例如跟踪板、跟踪球、触摸屏、手写笔、语音识别、手势识别技术、或其他诸如基于用户眼球活动的输入、或以上任何输入的子组合或组合。此外，该实施允许广告库存的购买者通过网络连接远程访问计算机900，并通过具有与界面924类似的属性的界面查看库存。

在一个实施例中，计算设备可以被配置为，例如通过扫描QR码、手势识别、生物特征数据输入或密码输入限制用户访问。

当将技术简化为一个实施例(如一个或多个软件模块、功能或子程序)时，本技术的操作方式可以是批处理模式——如在库存和消费者数据的存储数据库上进行批量处理，或与输入特定指令的用户交互，该特定指令是针对一个单独的广告活动。

将广告库存与由本文技术创建的广告活动标准相匹配的结果可以以有形的形式进行显示，例如一个或多个计算机显示器(例如显示屏)、便携式电脑显示器或平板电脑、笔记本电脑、上网本或移动电话的屏幕。结果还可以打印成纸张形式，以电子文件的形式存储在计算机可读的介质上，或者在计算机之间传输或共享，或者投影到会议厅的屏幕上(例如在演示期间)。

工具包：本文的技术能够以让用户(例如广告库存的购买者)访问和控制基本功能的方式来实现，这些基本功能提供了广告活动管理的关键部分。某些默认设置可以内置到计算机实现中，但用户可以尽可能多地选择用于分配库存的功能，从而允许用户根据需要从他们的考虑中移除某些特征或调整这些特征的权重。

该工具包可以通过脚本工具操作，也可以通过提供触摸屏选择和/或下拉菜单的图形用户界面来操作，这能够迎合用户的复杂程度。用户访问底层工具的方式不是对技术的新颖性、创造性或实用性的限制。

因此，这里的方法可以在一个或多个具有被配置为执行该方法的处理器的计算设备上实现，并在计算机可读介质中编码为可执行指令。

例如，这里的技术包括用指令编码的计算机可读媒体，这些指令用于执行在电视上将视频广告内容向消费者投放的分配方法，这些指令包括：从广告主处接收价格点和一个或多个活动描述的指令，其中每个活动描述包括用于向消费者访问的一个或多个电视和目标受众投放广告内容的计划表，其中所述目标受众由一个或多个人口因素定义；确定与一个或多个活动描述相关的一个或多个硬约束条件的指令；基于消费者属性图定义消费者池的指令，其中所述消费者图包含关于每个消费者使用的两个或多个电视和移动设备的信息、每个消费者的人口统计和在线行为数据以及消费者对之间的相似之处，并且其中所述消费者池包括与所述目标受众的成员具有至少阈值相似度的消费者；从一个或多个内容提供商处接收库存列表的指令，其中所述库存列表包括电视和在线的一个或多个空档；确定一个或多个广告目标的指令，其中，所述一个或多个广告目标中的每一个包括与所述活动描述的一个或多个以及所述一个或多个硬约束条件一致的一系列空档，并且具有与所述价格点一致的总成本；基于一个或多个软约束条件，执行将所述一个或多个活动描述的广告内容分配到一个或多个广告目标的优化的指令，由此产生一个或多个解决方案；向广告主传达一个或多个解决方案的列表的指令，其中解决方案包括将所述活动描述与电视内容中的被确定为可能被消费者池观看的一个或多个空档相匹配；以及通过电视上的第一媒体渠道将所述广告内容项投放给所述消费者池中的消费者。

相应地，本文的技术还包括计算设备，其具有至少一个处理器，该处理器被配置为执行用于实现在电视上将视频广告内容向消费者投放的分配方法的指令，所述指令包括：从广告主处接收价格点和一个或多个活动描述的指令，其中每个活动描述包用于向消费者访问的一个或多个电视和目标受众投放广告内容的计划表，其中所述目标受众由一个或多个人口因素定义；确定与一个或多个活动描述相关的一个或多个硬约束条件的指令；基于消费者属性图定义消费者池的指令，其中所述消费者图包含关于每个消费者使用的两个或多个电视和移动设备的信息、每个消费者的人口统计和在线行为数据以及消费者对之间的相似之处，其中所述消费者池包括与所述目标受众的成员具有至少阈值相似度的消费者；从一个或多个内容提供商处接收库存列表的指令，其中所述库存列表包括电视和在线的一个或多个空档；确定一个或多个广告目标的指令，其中，所述一个或多个广告目标中的每一个包括与一个或多活动描述个和一个或多个硬约束条件一致的一系列空档，并且具有与所述价格点一致的总成本；基于一个或多个软约束条件，执行对将所述一个或多个活动描述的广告内容分配到一个或多个广告目标的优化的指令，由此产生一个或多个解决方案；向广告主传达一个或多个解决方案的列表的指令，其中解决方案包括将所述活动描述与电视内容中的被确定为可能被消费者池观看的一个或多个空档相匹配；以及通过电视上的第一媒体渠道将所述广告内容投放给所述消费者池中的消费者。

云计算

这里的方法可以实现为在“云”中运行。因此，一个或多个计算机处理器执行以实施基于计算机的方法的过程不需要由单独计算机器或设备来实施。过程和计算可以分布在一个或多个数据中心的多个处理器之间，这些数据中心在物理上是位于相互不同的位置。使用诸如因特网等网络连接与多个处理器交换数据。优选地，使用诸如加密之类的安全协议来将消费者数据被破坏的可能性最小化。在远离诸如MVPD或DSP的实体的一个或多个位置上执行的计算包括计算消费者图和设备图，并对其进行更新。

示例

示例1:用户界面

图10A-10D中示出了示例性的用户界面，在这些连续的附图中示出了收益优化工作流程中的连续步骤的界面，例如可以在MVPD环境中执行的收益优化工作流程。

在图10A中，活动的细节通过前端上传到系统。

在图10B中，提供了一个用户前端，用于组织与现有广告库存单元相关的硬约束条件。

在图10C中，提供了一个用户前端，用于显示不违反图10B中任何硬约束条件的广告单元。

在图10D中，前端显示具有加权隐含软约束条件和在选定的权重下预测收益的系统场景建模界面。

本文引用的所有参考文献均以引用方式并入全文。

上述描述旨在说明本技术的各个方面。这里提出的例子并不旨在限制所附权利要求的范围。本发明在这里被充分描述，对于本领域的普通技术人员来说，显而易见的是，可以在不脱离所附权利要求的精神或范围的情况下对其进行修改和改进。

Claims (8)

1.一种在电视上将视频广告内容向消费者投放的分配方法，所述方法包括：

接收来自广告主的价格点和一个或多个活动描述，其中每个活动描述包括计划表，所述计划表用于在可由消费者和目标受众获取的一个或多个电视上投放广告内容项，其中所述目标受众由一个或多个人口因素限定；

确定与所述一个或多个活动描述相关联的一个或多个硬约束条件；

基于消费者属性图限定消费者池，其中所述图包含每个消费者使用的两个或多个电视和移动设备的信息、每个消费者的人口统计数据和在线行为数据以及消费者对之间的相似度，以及其中所述消费者池包含与目标受众成员的具有至少为阈值相似度的消费者；

从一个或多个内容提供商处接收库存列表，其中库存列表包括用于电视和线上的一个或多个空档；

确定一个或多个广告目标，其中所述一个或多个广告目标中的每一个广告目标包括与所述一个或多个活动描述以及所述一个或多个硬约束条件一致的一系列空档，并且具有与所述价格点一致的总成本；

基于一个或多个软约束条件，执行将所述一个或多个活动描述的广告内容分配到一个或多个广告目标的优化，由此产生一个或多个解决方案；

向广告主传达一个或多个解决方案的列表，其中解决方案包括将所述活动描述与被确定为可能被消费者池观看的电视内容内的一个或多个空档相匹配；以及

通过电视上的第一媒体渠道将所述广告内容项投放至所述消费者池中的消费者。

2.根据权利要求1所述的方法，其中所述硬约束条件包括一个或多个监管要求和由广告主施加的限制。

3.根据权利要求1所述的方法，其中所述软约束条件包括一个或多个广告主的偏好。

4.根据权利要求1所述的方法，所述方法由多频道视频节目分发商执行。

5.根据权利要求1所述的方法，其中所述分配优化是迭代过程。

6.根据权利要求1所述的方法，其中所述分配优化是交互过程。

7.根据权利要求1所述的方法，其中所述分配优化涉及收益的优化。

8.一种用于广告内容分配的收益的优化方法，所述方法包括：

将广告活动描述与多个电视频道的广告库存相匹配，其中所述库存与关于跨屏幕观看行为的消费者数据所限定的目标人群相关，其中所述匹配受一个或多个硬约束条件支配，从而产生两个或多个广告目标；

优化在两个或多个广告目标之间分配广告内容的可能收益，所述优化受多个软约束条件支配；以及

投放与最佳的广告目标一致的广告内容。