CN109615442B - 基于激励视频广告的rtb实时竞价方法 - Google Patents

Abstract

本发明涉及一种基于激励视频广告的RTB实时竞价方法，包括：输入媒体广告的流量请求信息数据；对输入的流量请求信息数据进行流量反作弊处理；依据媒体广告位要求以及用户属性特征匹配广告活动；计算每次广告展示的竞价估值并排序，得到最优竞价估值；根据最优竞价估值以及历史竞价数据实时调整竞价，获得满足市场动态需求的最优出价；输出最优出价对应的广告活动及竞价信息组。本发明通过导入有效的竞价流量，排除无效流量，可规避无效的受众到达，同时根据竞价策略以及历史竞价数据调整实际竞价，可满足市场动态需求。

Description

基于激励视频广告的RTB实时竞价方法

技术领域

本发明涉及一种RTB竞价方法，具体涉及一种基于激励视频广告的RTB实时竞价方法。

背景技术

随着互联网技术的发展，互联网广告应运而生，激励型视频广告是一种全屏体验，时间上通常不超过15秒，用户可以选择观看视频广告来换取虚拟货币、应用内积分、游戏生命值等。这种双赢的方式更受到游戏开发者和游戏用户的偏爱。相比于传统的网络广告，激励型视频广告的点击率转化率更高，用户的留存率也更大。然而互联网广告行业发展时间较短，市场规则与监管制度建设尚不完善，市场存在不健康竞争问题。RTB(Real TimeBidding)实时竞价，是一种利用第三方技术在数以百万计的网站或移动端针对每一个用户展示行为进行评估以及出价的竞价技术。该技术应用于竞价引擎中需要建立每一个广告计划的最优出价模型，采用算法来帮助完成出价。但采用的算法需假定广告展示机会是平稳的，意味着给定足够多的历史数据，通过解离线对偶问题获得最优竞价。实际上，由于市场是动态的，广告展示机会的到达并不是平稳的，比如：供应随季节变化。另一方面，需求方的估值也是一个不固定的过程，比如：旧的广告过期，新的广告开始。这些不固定性不满足完备松弛条件，从而历史最优竞价对于未来并不一定是最优的。

发明内容

针对现有技术中的不足，本发明的目的是提供一种基于激励视频广告的RTB实时竞价方法，通过导入有效的竞价流量，排除无效流量，可规避无效的受众到达，同时根据竞价策略以及历史竞价数据调整实际竞价，以满足市场动态需求。

本发明的目的是采用下述技术方案实现的：

一种基于激励视频广告的RTB实时竞价方法，包括：

输入媒体广告的流量请求信息数据；

对输入的流量请求信息数据进行流量反作弊处理；

依据媒体广告位要求以及用户属性特征匹配广告活动；

计算每次广告展示的竞价估值并排序，得到最优竞价估值；

根据最优竞价估值以及历史竞价数据实时调整竞价，获得满足市场动态需求的最优出价；

输出最优出价对应的广告活动及竞价信息组。

具体的，所述流量请求信息数据包括：媒体信息、用户ID、广告活动集、DMP系统信息、广告位信息、用户属性信息、广告主发布的活动信息及竞价策略以及竞价历史信息。

具体的，所述对输入的流量请求信息数据进行流量反作弊处理，即利用用户识别、IP或IP段识别、媒体识别和流量渠道识别，分析广告的访问频次、转化情况以及用户行为，对不符合规律的异常数据进行自动纠错或人工纠错。

具体的，所述流量反作弊处理的方法具体包括：

对广告详情、渠道详情和用户点击安装日志进行特征提取；

根据流量反作弊的算法规则判断提取的特征数据是否为作弊流量；

若判断为作弊流量，将作弊流量的异常数据进行流量过滤，通过自动纠错返回正常数据。

具体的，采用相对熵比较算法和差异衡量算法判断计算的特征数据是否为作弊流量，其计算公式为：

相对熵比较算法:

差异衡量算法:

式中，P_i为真实流量概率分布，q_i为作弊流量概率分布。

具体的，所述匹配广告活动的方法包括：

输入流量请求中的媒体信息、用户ID和广告活动集；

根据媒体信息匹配广告活动，初步筛选出与媒体信息相匹配的广告活动；

依据从DMP系统中获取的用户特征信息匹配广告活动；

输出与用户属性特征相匹配的广告活动。

具体的，采用CTR预测方法计算每次广告展示的竞价估值，具体方法如下：

从历史数据和离线特征库中获取CTR预估训练样本，经训练得到CTR预估模型；

利用CTR预估模型对每次广告的点击率做出预测；

在给定广告展示水平和需求数据的情况下，利用预测的点击率计算每次广告展示的预期成本，得到每次广告展示的竞价估值；

将每次广告展示的竞价估值进行排序，得到最优竞价估值。

具体的，所述广告活动的投放类型包括CPC广告和CPM广告，如果投放类型是CPM广告，将CPM广告转化为CPC广告进行竞价估值，转换公式为：

CPM＝CPC*CTR*1000

式中，CPM表示CPM广告的竞价估值，CPC表示CPC广告的竞价估值。

具体的，所述实时调整竞价获得最优出价的具体过程为：

考虑基础价格和多重影响因子，建立最优出价模型；所述多重影响因子包括广告位、广告主的预算、KPI的完成情况，预测竞争对手的竞价情况及广告投放期内的曝光量；

依据最优竞价估值、竞价策略以及历史竞价数据调整实际竞价；

采用动态最优算法计算模型的最优出价。

具体的，所述采用动态最优算法计算模型的最优出价，即在获得历史最优竞价α_j的基础上，对历史最优竞价α_j在线更新，即采用内循环与外循环交替迭代的更新方法，使历史最优竞价α_j在下一时刻达到最优，具体计算过程如下：

采用基础算法解离线对偶获得历史最优竞价

并利用历史数据的离线最优解初始化历史最优竞价α_j；

令时间区间t∈[1,2,…,T]，其中T表示竞价时期内的区间个数，采用内循环扫描每个时间区间t的分隔点；

采用外循环在每一个时间区间t内更新一次α_j，其更新公式为：

内循环与外循环交替迭代，直至历史最优竞价α_j在下一时刻达到最优，即满足

完成所有时间区间更新后停止迭代；

式中，x_j(t)表示广告活动j在时间区间t内获得的展示数目，γ为指数因子，通过调节指数因子γ来控制算法对误差x_j(t)/g_j-1/T的响应速度；α_j(t)表示在时间区间t内的最优竞价，g_j表示广告活动j的展示投放目标。

本申请的实施例提供的技术方案可以包括以下有益效果：

本发明提供的一种基于激励视频广告的RTB实时竞价方法，通过导入有效的竞价流量，排除无效流量，可规避无效的受众到达，同时根据竞价策略以及历史竞价数据调整实际竞价，可满足市场动态需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是RTB实时竞价方法流程图；

图2是用户行为数据的流量反作弊流程框图；

图3是流量反作弊方法流程图；

图4是广告匹配方法流程图；

图5是激励视频系统架构图；

图6是竞价核心RTB框架；

图7是基于激励视频广告系统的RTB竞价流程框图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

第一优选方案：

本发明提出的基于激励视频广告的RTB实时竞价方法，由同步算法和异步算法相互配合，针对广告投放活动进行计算优化，根据dmp数据分析对价格进行优化，计算出最低出价价格，根据价格优先，转化率优先原则，实现广告的快速、均匀和精准定向投放。

图1是本发明提出的基于激励视频广告的RTB实时竞价方法流程图，如图1所示，所述方法包括：

输入媒体广告的流量请求信息数据；

对输入的流量请求信息数据进行流量反作弊处理；

依据媒体广告位要求以及用户属性特征匹配广告活动；

计算每次广告展示的竞价估值并排序，得到最优竞价估值；

根据最优竞价估值以及历史竞价数据实时调整竞价，获得满足市场动态需求的最优出价；

输出最优出价对应的广告活动及竞价信息组。

具体的，所述媒体广告的流量请求信息数据包括：媒体信息、用户ID、广告活动集、DMP系统信息、Exchange端提供的广告位信息、DMP收集的用户属性信息、广告主发布的活动信息和竞价策略以及竞价历史信息，其中竞价历史信息还包括媒体信息、广告位、获胜竞价以及用户ID。

具体的，所述对输入的流量请求信息数据进行流量反作弊处理，即利用用户识别、IP或IP段识别、媒体识别和流量渠道识别，分析广告的访问频次、转化情况以及用户行为，对不符合规律的异常数据进行自动纠错或在异常数据报警后进行纠错，其实现途径包括自动纠错和异常数据报警后人工处理。以图2所示的用户行为数据流量反作弊处理为例，将用户行为数据依次经过采集风控，实时防控与离线校准三次流量清洗，将不符合规律的数据过滤，经过流量扣量校准后，返回正常的用户行为数据。图3为流量反作弊方法流程图，如图3所示，流量反作弊的具体方法包括：

对广告详情、渠道详情和用户点击安装日志进行特征提取；

根据流量反作弊的算法规则判断提取的特征数据是否为作弊流量，所述作弊流量包括确认作弊流量和疑似作弊流量；

若判断为作弊流量，将作弊流量的异常数据进行流量过滤，通过自动纠错返回正常数据。本发明采用相对熵比较算法和差异衡量算法判断特征数据是否为作弊流量，其计算公式为：

相对熵比较算法:

差异衡量算法:

式中，P_i为真实流量概率分布，q_i为作弊流量概率分布。

具体的，图4为匹配广告活动的方法流程图，如图4所示，包括：

输入流量请求中的媒体信息、用户ID和广告活动集；

根据媒体信息匹配广告活动，初步筛选出与媒体信息相匹配的广告活动；

依据从DMP系统中获取的用户属性特征信息匹配广告活动；

输出与用户属性特征相匹配的广告活动。

媒体信息、用户属性特征信息及广告活动如表1所示。

表1媒体信息和用户属性特征

具体的，本发明采用CTR预测方法计算每次广告展示的竞价估值，并将竞价估值进行排序，以获得每次广告展示的最优竞价估值。即在给定广告展示水平和需求数据的情况下，对给定广告展现预期成本，通过计算每次广告展示的竞价估值，经排序得到最优竞价估值。其中，广告活动投放类型包括CPC广告和CPM广告，如果投放类型是CPM广告，可将CPM广告转化为CPC广告进行竞价估值，转换公式为：

CPM＝CPC*CTR*1000

式中，CPM表示CPM广告的竞价估值，CPC表示CPC广告的竞价估值。

预测CTR(点击率)是计算广告展示最优竞价估值的关键步骤，本发明采用CTR预测方法对每次广告的点击率做出预测，利用计算的预测点击率计算每次广告展示的竞价估值，经过排序得到最优竞价估值，具体方法为：

首先，从历史数据和离线特征库中获取CTR预估训练样本，经训练得到CTR预估模型。预测CTR和历史点击率、广告位置、时间、用户等因素相关。本发明综合考虑各种因素、特征，在大量历史数据上训练得到CTR预估模型，其中，预测CTR的训练样本从历史log、离线特征库获得。

其次，利用CTR预估模型对每次广告的点击率做出预测。点击率预测可以看成一个分类问题，例如把媒体，广告活动，用户看成是一个多元组，针对每一个多元组，设置一个预测目标，在特征子集选择的基础上，对点击率进行预测。

最后，在给定广告展示水平和需求数据的情况下，利用预测的点击率计算每次广告展示的预期成本，得到每次广告展示的竞价估值，将每次广告展示的竞价估值进行排序，最终得到最优竞价估值。

具体的，在调整实际竞价过程中，为了获得满足市场动态需求的最优出价，首先需要建立每一个广告计划的最优出价模型，再依据前期获得的最优竞价估值、竞价策略以及历史竞价数据调整实际竞价，得到最优出价。所述最优出价模型的建立，除了考虑基础价格外，还考虑到多重影响因子，基础价格主要考虑的是广告计划与用户需求的契合度，而一个完整的价格决策，还需考虑到广告位、广告主的预算、KPI(关键指标)的完成情况、预测竞争对手的竞价情况及广告投放期内的曝光量等多重影响因子。在此基础上，结合前期的广告投放情况，对竞价实时调整，使其达到最优效果。

通常情况下，用于计算最优出价的算法均假定广告的展示机会是平稳的，即在给定足够多历史数据的情况下，通过解离线对偶问题获得最优竞价。实际上，由于市场是动态的，广告的展示机会无法真正达到平稳，例如：供应随季节变化。另一方面，需求方的估值也是一个不固定的过程，例如：旧的广告过期，新的广告开始。这些不固定性不满足完备松弛条件，从而历史最优竞价对于未来并不一定是最优的，为了解决这个问题，本发明提出一种动态最优算法计算模型的最优出价，该算法在获得历史最优竞价的基础上，对历史最优竞价在线更新，使历史最优竞价在下一时刻仍然达到最优，以满足动态的供应方和需求方约束水平，其计算过程如下所述：

假设通过解离线对偶获得的历史最优竞价

令t∈[1,2,…,T]表示足够小的时间区间，T表示整个在线竞价时期内的区间个数，首先利用历史数据的离线最优解初始化历史最优竞价α_j，再采用迭代更新方法在线更新历史最优竞价α_j，所述迭代更新方法即采用内循环与外循环交替迭代的更新方法，首先采用内循环扫描每个时间区间的分隔点，再采用外循环在每一个时间区间内更新一次α_j，往复循环，直到完成扫描所有时间区间更新后停止迭代，所述迭代更新方法的计算公式为：

如果历史最优竞价α_j在下一时刻已达到最优，则令γ＝0，即：

式中，x_j(t)表示广告活动j在时间区间t内获得的展示数目，γ为指数因子，通过调节指数因子γ来控制算法对误差x_j(t)/g_j-1/T的响应速度；α_j(t)表示在时间区间t内的最优竞价，g_j表示广告活动j的展示投放目标。

第二优选方案：

本发明利用图5所示的激励视频广告系统实现基于激励视频广告的RTB实时竞价方法，该激励视频广告系统的平台业务包含买卖双方，平台系统模块主要包含：RTB竞价、ADX综合交易管理、DMP数据服务、CTR激励视频点击率预估、流量反作弊、受众用户信息分析、开放API以及客户业务管理系统。其中系统的RTB竞价核心框架如图6所示，竞价代理通过RTB竞价核心组件向竞价服务端发送竞价请求，经核心组件进行数据分析与处理后，将分析结果反馈给竞价代理。图7为RTB竞价流程框图，如图7所示，当激励视频用户在移动客户端点击网页时，由该网站向RTB竞价核心组件DSP发出竞价请求，由Exchange端提供广告位信息，当DSP接收到竞价请求信息后，通过访问DMP用户数据库进行数据分析，同时进行CTR预估，导入有效竞价流量，排除无效流量，同时根据竞价策略以及历史竞价数据调整实际竞价，将最优竞价的视频广告精准投放给用户。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于激励视频广告的RTB实时竞价方法，其特征在于，包括：

输入媒体广告的流量请求信息数据；

对输入的流量请求信息数据进行流量反作弊处理；

依据媒体广告位要求以及用户属性特征匹配广告活动；

计算每次广告展示的竞价估值并排序，得到最优竞价估值；

根据最优竞价估值以及历史竞价数据实时调整竞价，获得满足市场动态需求的最优出价；

输出最优出价对应的广告活动及竞价信息组；

其中，对输入的流量请求信息数据进行流量反作弊处理包括：

对广告详情、渠道详情和用户点击安装日志进行特征提取；

根据流量反作弊的算法规则判断提取的特征数据是否为作弊流量；

若判断为作弊流量，将作弊流量的异常数据进行流量过滤，通过自动纠错返回正常数据。

2.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述流量请求信息数据包括：媒体信息、用户ID、广告活动集、DMP系统信息、广告位信息、用户属性信息、广告主发布的活动信息及竞价策略以及竞价历史信息；

其中，用户ID为用户唯一标识；

DMP(Data Management Platform)，为数据管理平台。

3.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述对输入的流量请求信息数据进行流量反作弊处理，即利用用户识别、IP或IP段识别、媒体识别和流量渠道识别，分析广告的访问频次、转化情况以及用户行为，对不符合规律的异常数据进行自动纠错或人工纠错。

4.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，采用相对熵比较算法和差异衡量算法判断计算的特征数据是否为作弊流量，其计算公式为：

相对熵比较算法:

差异衡量算法:

式中，p_i为真实流量概率分布，q_i为作弊流量概率分布；

n为流量特征样本的个数；

i为第几个特征样本；

p(x)为真实流量概率分布；

q(x)为作弊流量概率分布。

5.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述匹配广告活动的方法包括：

输入流量请求中的媒体信息、用户ID和广告活动集；

根据媒体信息匹配广告活动，初步筛选出与媒体信息相匹配的广告活动；

依据从DMP系统中获取的用户特征信息匹配广告活动；

输出与用户属性特征相匹配的广告活动。

6.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，采用CTR预测方法计算每次广告展示的竞价估值，具体方法如下：

从历史数据和离线特征库中获取CTR预估训练样本，经训练得到CTR预估模型；

利用CTR预估模型对每次广告的点击率做出预测；

在给定广告展示水平和需求数据的情况下，利用预测的点击率计算每次广告展示的预期成本，得到每次广告展示的竞价估值；

将每次广告展示的竞价估值进行排序，得到最优竞价估值；

其中，CTR(Click-Through-Rate)为点击率。

7.根据权利要求6所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述广告活动的投放类型包括CPC广告和CPM广告，如果投放类型是CPM广告，将CPM广告转化为CPC广告进行竞价估值，转换公式为：

A_CPM＝A_CPC*CTR*1000；

式中，A_CPM表示CPM广告的竞价估值，A_CPC表示CPC广告的竞价估值；

其中，CPM为千人成本；

CPC(Cost Per Click)为每次点击的费用。

8.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述实时调整竞价获得最优出价的具体过程为：

考虑基础价格和多重影响因子，建立最优出价模型；所述多重影响因子包括广告位、广告主的预算、KPI的完成情况，预测竞争对手的竞价情况及广告投放期内的曝光量；

依据最优竞价估值、竞价策略以及历史竞价数据调整实际竞价；

采用动态最优算法计算模型的最优出价；

其中，KPI为关键指标。

9.根据权利要求8所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述采用动态最优算法计算模型的最优出价，即在获得历史最优竞价α_j的基础上，对历史最优竞价α_j在线更新，即采用内循环与外循环交替迭代的更新方法，使历史最优竞价α_j在下一时刻达到最优，具体计算过程如下：

采用基础算法解离线对偶获得历史最优竞价α_j,

并利用历史数据的离线最优解初始化历史最优竞价α_j；

令时间区间t∈[1,2,…,T]，其中T表示竞价时期内的区间个数，采用内循环扫描每个时间区间t的分隔点；

采用外循环在每一个时间区间t内更新一次α_j，其更新公式为：

内循环与外循环交替迭代，直至历史最优竞价α_j在下一时刻达到最优，即满足α_j(t+1)＝α_j(t),

完成所有时间区间更新后停止迭代；

式中，x_j(t)表示广告活动j在时间区间t内获得的展示数目，γ为指数因子，通过调节指数因子γ来控制算法对误差x_j(t)/g_j-1/T的响应速度；α_j(t)表示在时间区间t内的最优竞价，g_j表示广告活动j的展示投放目标。

Images