CN109636490A - 广告转化率的实时预测方法、广告评价方法与系统 - Google Patents

Abstract

本发明涉及一种广告转化率的实时预测方法、广告评价方法与系统，属于互联网广告技术领域。所述广告转化率实时预测方法包括：在客户端设备上收集用户在页面上的行为数据；根据用户的行为数据生成样本；根据所述样本预测所述竞价广告的转化率。本发明使用FTRL或DNN等模型对广告的转化率进行精确预判，在评价广告时，将广告的转化率纳入考量体系，提高高转化率广告的竞争力，从而保证了广告主和平台的收益。

Description

广告转化率的实时预测方法、广告评价方法与系统

技术领域

本发明涉及互联网广告技术领域，特别地涉及一种广告转化率的实时预测方法、广告评价方法与系统。

背景技术

互联网广告技术领域中的广告竞价排序技术涉及到Ad Exchange(交易平台)和DSP(Pemand Side Platform，需求方平台)。其中，Ad Exchange为一个为广告位供应方(如媒体网站、某个手机APP)和广告位需求方(如广告主或其代理)提供广告位在线交易的平台。DSP整合了不同来源的广告位。其中，广告主或其代理将要发布的广告放到DSP，根据广告主设置的投放条件，对于一个广告位，DSP中可能会有多个广告要竞争，DSP通过评价所有竞争广告的价值，为这些竞争广告进行内部排序，排序最高的广告将获得该DSP中该广告位的展示机会，然后再参与到Ad exchange中的外部竞价。

在现有的广告评价算法中，一般采用eCPM(effective cost per mille，有效的千人成本)来定义广告的价值。其中，eCPM＝ctr*bid，其中ctr是广告的历史点击率，bid是广告主的出价。有些采用的是pctr(预估点击率)，通过各种方法对当前竞价广告的点击率进行预测，尽量接近于展示时的实时点击率，从而提高eCPM的准确率。

发明内容

针对现有技术中存在的技术问题，本发明提出了一种广告转化率的实时预测方法、广告评价方法与系统，用于对竞价广告的转化率进行实时预测，提高高转化率广告的竞争力。

为了解决上述技术问题，本发明提供了一种广告转化率实时预测方法，包括：

在客户端设备上收集用户在页面上的行为数据；

根据用户的行为数据生成样本；以及

根据所述样本预测所述竞价广告的转化率。

优选地，所述预测基于DNN模型、FTRL模型、LR模型、GBDT+LR模型和/或FM模型。

优选地，所述的广告转化率实时预测方法进一步包括：在页面设置埋点；以及通过采集所述埋点的数据获取用户在页面上的行为数据。

优选地，所述的广告转化率实时预测方法进一步包括：监控客户端设备的系统广播消息以获取用户在页面上的行为数据。

优选地，所述行为数据包括用户点击页面和/或页面跳转时的数据。

为了解决上述技术问题，本发明提供了一种广告评价方法，包括：

获取竞价广告的点击率；

根据前述方法获取竞价广告的转化率；

根据所述转化率调整所述竞价广告的原始出价，获得当前出价；以及

至少部分基于转化率和当前出价，获得所述竞价广告的有效千人成本。

优选地，所述的广告评价方法还包括：响应于所述转化率小于第一阈值退出竞价。

优选地，所述的广告评价方法还包括：响应于所述转化率大于或等于第二阈值时，以原始出价作为当前出价。

优选地，所述的广告评价方法还包括：在所述转化率大于或等于所述第一阈值且小于所述第二阈值时，以所述转化率为自变量，利用正相关函数获取所述竞价广告的当前出价。

为了解决上述技术问题，本发明提供了一种客户端设备，包括：

显示器，用于向用户提供应用操作界面；以及

处理器，其与显示器连接；其中，所述处理器经进一步配置包括：

埋点数据采集单元，经配置用以采集页面埋点数据；以及

系统广播监控单元，经配置用以采用第三方SDK监控用户设备的系统广播消息。

为了解决上述技术问题，本发明提供了一种广告评价系统，包括：

应用接口，用于从客户端设备获取用户的行为数据；

数据库，用于存储竞价广告的原始出价及其出价调整策略；

计算核心，其与应用接口和数据库连接；

其中，计算核心经配置以利用从应用接口接收到的用户行为数据计算竞价广告点击率和转化率，并根据竞价广告转化率按照出价调整策略调整原始出价，至少部分基于转化率和当前出价获得所述竞价广告的有效千人成本。

优选地，所述计算核心经进一步配置，包括：

点击率获取模块，经配置用以获取竞价广告的点击率；

转化率实时预测模块，经配置用以获取用户对竞价广告的转化率；和

计算模块，经配置用以根据所述竞价广告的点击率、转化率及当前出价，获取所述竞价广告的有效千人成本。

优选地，所述转化率实时预测模块经进一步配置，包括：

样本生成单元，经配置用以根据所述用户的行为数据生成样本；和

预测单元，经配置用以以所述样本作为预测模型的输入，经过所述预测模型的计算得到所述竞价广告的转化率。

优选地，所述预测模型为DNN模型、FTRL模型、LR模型、GBDT+LR模型或FM模型。

优选地，所述计算模块经进一步配置包括：

比较单元，用于将所述转化率与第一阈值和/或第二阈值进行比较；

出价调整单元，用于在所述转化率大于或等于第一阈值，且小于第二阈值时，以所述转化率为自变量，利用正相关函数获取所述竞价广告的当前出价；在所述转化率大于所述第二阈值时，以原始出价作为当前出价；以及

计算单元，按照eCPM＝ctr*bid计算所述竞价广告的有效千人成本eCPM，其中，eCPM为有效千人成本，ctr为点击率，bid为经过调整后的当前出价。

本发明使用FTRL或DNN等模型对广告的转化率进行精确预判，在广告的排序时，将广告的转化率纳入考量体系中，保证了高转化率的广告高出价，低转化率的广告低出价，从而降低了低转化率广告的竞争力，再根据eCPM进行排序，从而保证了广告主和平台的收益。

附图说明

下面，将结合附图对本发明的优选实施方式进行进一步详细的说明，其中：

图1是根据本发明的一个实施例的的应用环境示意图；

图2是根据本发明的一个实施例的广告评价系统的服务器的示意图；

图3是根据本发明的一个实施例的客户端设备的示意图；

图4是根据本发明的一个实施例的广告评价系统的示意图；以及

图5是根据本发明的一个实施例的客户端处理器示意图；

图6是根据本发明的一个实施例的计算核心示意图；

图7是根据本发明的一个实施例的转化率实时预测模块的示意图；

图8是根据本发明的一个实施例的计算模块的示意图；

图9是根据本发明的一个实施例的广告评价方法的流程图；以及

图10是根据本发明的一个实施例的实时预测转化率的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

在以下的详细描述中，可以参看作为本申请一部分用来说明本申请的特定实施例的各个说明书附图。在附图中，相似的附图标记在不同图式中描述大体上类似的组件。本申请的各个特定实施例在以下进行了足够详细的描述，使得具备本领域相关知识和技术的普通技术人员能够实施本申请的技术方案。应当理解，还可以利用其它实施例或者对本申请的实施例进行结构、逻辑或者电性的改变。

本发明提出了在计算有效千人成本eCPM时应当考虑到广告转化率的方案。转化率是指广告用户的转化量与广告到达量的比值。例如，用户的转化可以指用户身份从普通浏览用户转化为付费用户或注册用户。高的转化率代表了广告投放的成功率。本发明提供的方法能够避免排名在前的广告实际转化率低、而实际转化率高的广告没有得到展示机会的问题，从而提高广告主的收益和平台价值。

本发明提供的广告评价方法与系统，能够从多个竞争广告中为媒体网站、移动APP等平台提供的广告位确定出一个对广告主和平台有益的广告。

如图1所示，是根据本发明的一个实施例的应用环境示意图。如图所示，本发明的应用环境包括一个或多个在通信网络上的客户端设备102、应用服务器104、页面服务器106、服务器负载平衡器108、云负载平衡器110。应用服务器104、页面服务器106、服务器负载平衡器108、云负载平衡器110通信地耦合到一个或多个数据库112。

通信网络能够是覆盖行政区、国家、大陆或其组合的任意多级网络。通信网络的示例能够包括：蜂窝网络，诸如3G网络、4G网络、长期演进(LTE)网络；声波通信网络；卫星网络；广域网，诸如因特网；或它们的组合。应用服务器104、页面服务器106、服务器负载平衡器108、云负载平衡器110能够通过连接114被通信地耦合到通信网络。连接114能够是有线连接、无线连接或它们的组合。

本发明提供的广告评价系统其中的一部分能够包括由计算云(诸如，阿里云、腾讯云、百度云、Windows Azure^TM云、亚马逊弹性计算云(Amazon EC2)^TM、Google App Engine^TM或它们的组合)作为主机管理(host)的页面和/或移动应用。例如，广告评价系统100能够包括在一个或多个应用服务器104、页面服务器106或它们的组合作为主机管理的虚拟机器上运行的页面和/或移动应用。在一种变型中，计算云能够包括一个或多个应用服务器104、页面服务器106、数据库112、服务器负载平衡器108、云负载平衡器110、其中的部分或它们的组合。

云负载平衡器110能够在多个页面服务器106之间提供流量负载平衡和分配客户请求。页面服务器106能够包括HTTP服务器或者依赖计算云来处理HTTP请求。页面服务器106还能够由计算云实例化和管理。

服务器负载平衡器108能够平衡页面服务器106和一个或多个应用服务器104之间的互动。应用服务器104能够处理应用逻辑并且与数据库112互动以存储数据和应用状态。页面服务器106、应用服务器104或它们的组合能够包括机架式服务器、集群服务器、刀片服务器、主机、专用台式电脑或笔记本电脑，或它们的组合。

数据库112能够是一个或多个SQL数据库。应用服务器104能够与管理SQL数据库的一个或多个SQL服务器交互。应用数据、转化规则、用户数据等能够被存储在云管理的SQL数据库中。在另一些变型中，数据库112能够是面向文档型数据库，包括诸如数据库的NoSQL数据库。

客户端设备102能够包括便携式计算设备，诸如智能手机、平板电脑、笔记本电脑、智能手表、个人娱乐设备或它们的组合。在另一些变型中，客户端设备102还能够包括台式计算机。

图2是根据本发明一个实施例的广告评价系统的服务器200的示意图。如图所示，服务器200能够具有一个或多个处理器202、存储器204和通信接口206。处理器202能够通过高速总线被耦合到存储器204和通信接口206。服务器200能够表示图1中的页面服务器112、应用服务器110或它们的组合中的任意一种。

处理器202能够包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或它们的组合。处理器202能够执行存储在存储器204中的软件或计算机可读指令以执行本文描述的方法或操作。处理器202能够以若干不同的方式来实施。例如，处理器202能够包括一个或多个嵌入式处理器、处理器核心、微型处理器、逻辑电路、硬件有限状态机(FSM)、数字信号处理器(DSP)或它们的组合。例如，处理器202能够是64位处理器。

存储器204能够存储软件、数据、日志或它们的组合。存储器204能够是内部存储器。替代地，存储器204能够是外部存储器，诸如驻留在存储节点、云服务器或存储服务器上的存储器。存储器204能够是易失性存储器或非易失性存储器。例如，存储器204能够是诸如非易失性随机存取存储器(NVRAM)、闪存、磁盘存储器的非易失性存储器，或者是诸如静态随机存取存储器(SRAM)的易失性存储器。存储器204能够是用于服务器200的主存储单元。

通信接口206能够包括一个或多个有线或无线通信接口。例如，通信接口206能够是服务器200的网络接口卡。通信接口206能够是无线调制解调器或有线调制解调器。在一种变型中，通信接口206能够是WiFi调制解调器。在另一些变型中，通信接口206能够是3G调制解调器、4G调制解调器、LTE调制解调器、蓝牙组件、射频接收器、天线或它们的组合。服务器200能够使用通信接口206连接到通信网络或者与通信网络通信地耦合。服务器200能够使用通信接口206传输或者接收包或消息。

图3是根据本发明一个实施例的客户端设备的示意图。客户端设备300能够具有客户端处理器312、客户端存储器314、客户端通信接口316以及显示器318。客户端处理器312能够通过高速总线被耦合到客户端存储器314和客户端通信单元216。

客户端处理器312能够包括一个或多个CPU、GPU、ASIC、FPGA或它们的组合。客户端处理器312能够执行存储在客户端存储器314中的软件以执行本文描述的方法。客户端处理器312能够以若干不同的方式来实施。例如，客户端处理器312能够是嵌入式处理器、处理器核心、微型处理器、逻辑电路、硬件FSM、DSP或它们的组合。作为一个具体的示例，客户端处理器312能够是32位处理器，诸如处理器。

客户端存储器314能够存储软件、数据、日志或它们的组合。在一种变型中，客户端存储器314能够是内部存储器。在另一种变型中，客户端存储器314能够是外部存储单元。客户端存储器314能够是易失性存储器或非易失性存储器。例如，客户端存储器314能够是诸如NVRAM、闪存、磁盘存储器的非易失性存储器，或者是诸如SRAM的易失性存储器。客户端存储器314能够是用于客户端设备300的主存储单元。

客户端通信接口316能够是有线或无线通信接口。例如，客户端通信接口316能够是客户端设备的网络接口卡。客户端通信接口316能够是无线调制解调器或有线调制解调器。在一种变型中，客户端通信接口316能够是WiFi调制解调器。在另一些变型中，客户端通信接口316能够是3G调制解调器、4G调制解调器、LTE调制解调器、蓝牙组件、射频接收器、天线或它们的组合。客户端设备能够使用客户端通信接口316连接到通信网络或者与通信网络通信地耦合。客户端设备300能够使用客户端通信接口316传输或者接收包或消息。

显示器318能够是诸如液晶显示器(LCD)的触摸屏显示器、薄膜晶体管(TFT)显示器、有机发光二极管(OLED)显示器或者有源矩阵有机发光二极管(AMOLED)显示器。在某些变型中，显示器318能够是视网膜显示器、触觉触摸屏或它们的组合。例如，当客户端设备300是智能手机时，显示器318能够是智能手机的触摸屏显示器。

客户端设备300通过显示器318展示的图形用户界面(GUI)与用户交互。GUI能够向用户展示内容，用户能够根据展示的内容将用户输入应用到GUI上的按钮、文本框、或链接。响应于将用户输入应用到按钮、文本框、或链接，客户端设备300根据处理器执行的软件或者经过与服务器400通信后向用户展示新的内容。

客户端设备300还可以包括输入装置，例如键盘、触摸屏等。如本领域技术人员所了解的，客户端设备300还可以包括其他功能的装置，以满足客户的需要。

图4是根据本发明一个实施例的广告评价系统的示意图。如图所示，本发明的广告评价系统400包括客户端410和服务器端420。在一些实施例中，客户端410可以运行在客户端设备300上；服务器端420可以运行在服务器200上。

在一些实施例中，客户端410包括但不限于运行于IOS系统、Android系统、Window系统或者其他系统的APP、页面(Web)端、微信客户端或微信小程序、嵌入其他第三方应用程序的独立或非独立的程序等。客户端410向用户提供图形交互界面(GUI)，向用户展示内容和结果。客户端410通过客户端设备300中的客户端处理器312收集用户的行为数据。在一些实施例中，如图5所示，为客户端处理器312的示意图。所述客户端处理器312包括埋点数据采集单元3121和系统广播监控单元3122。为了收集用户点击页面时产生的数据，可以在页面设置埋点，设置埋点的页面包括特定的普通页面，如每个阅读页面等，也包括代表用户进行了成功转化的注册成功页、购买成功页、下载成功页等页面。埋点数据采集单元3121采集所述埋点以获取用户在页面上点击和跳转时产生的数据，例如历史点击的广告、文章、点击时间、用户所在城市、使用的网络、用户的手机类型等。在页面发生跳转时，收集到的行为数据包括原始页面内容或IP地址、目标页面内容或IP地址等数据。系统广播监控单元3122能够采用第三方SDK监控用户设备的系统广播消息，获取如应用被安装、升级或卸载等用户行为数据。

客户端处理器312将得到的用户行为数据通过客户端通信接口316发送给服务器端420。

在一些实施例中，如图所示，服务器端420包括应用接口430、计算核心440和数据库450。

应用接口430用于客户端410和计算核心440之间的通信。客户端通信接口316与应用接口430连接，应用接口430将来自客户端410的用户行为数据转发到计算核心440，以及将来自计算核心440的各种指令转发到客户端410。

在一些实施例中，应用接口430具有负载均衡的功能，以保证客户端410与计算核心440之间通信的高效。例如应用接口430可以包括云负载平衡器和一个或多个接入服务器。

数据库450中存储了竞价广告的原始出价及其出价调整策略。

根据本发明的一个实施例，如图6所示，计算核心440进一步包括点击率获取模块441，转化率实时预测模块442和计算模块443。

点击率获取模块441用以获取竞价广告的点击率ctr。所述点击率ctr是指广告被点击的概率，可以采用任何一种现有技术来获取所述点击率ctr。例如，先采用离线数据生成可用模型，而后在模型上线后，使用Online-Learning在线更新模型计算点击率ctr。其中，所述的模型包括概率回归(BOPR)、逻辑回归LR(Logistic Regression)、梯度提升决策树GBDT(Gradient Boost Decision Tree)、GBDT+LR、在线机器学习FTRL(Follow-the-regularized-Leader)或因式分解机FM(Factorization Machines)等模型。

作为一个实施例，如图7所示，为转化率实时预测模块442的示意图。转化率实时预测模块442具体包括样本生成单元4421和预测单元4422。

样本生成单元442将所述用户的行为数据训练成为样本，所述样本包括一个或多个特征，所述特征对应用户的行为数据。预测单元4422以所述样本作为预测模型的输入，经过预测模型的计算得到所述用户在当前广告位对所述竞价广告的转化率cvr。所述的预测模型可以采用DNN(Deep Neural Networks)模型，其输出为介于0和1之间的数值。预测单元4422还可以采用其他模型，如FTRL模型、LR模型、GBDT+LR模型或FM模型来计算转化率cvr。

在本发明中，前述的预测模型可以通过以下几个步骤获取：

数据准备及处理：准备训练模型的训练样本集和测试集。其中，在准备训练样本集时，首先明确转化规则，即根据行业分类，定义用于表明用户身份发生转变的标志。然后分析样本中的特征数据，根据转化规则为样本添加标志(label)。例如对于游戏应用的广告，用户身份发生转变的标志是游戏的下载成功；微信公共号的广告定义的用户身份发生转变的标志为公众号的关注。当样本中包括代表用户身份发生了转化的特征，如注册成功页、购买成功页和下载成功页等时，将标志(label)位设置为1，用于表明该样本代表了用户已成功转化。如果该样本中没有符合转化定义的特征，则填加上转化标志0，用于表明该样本代表用户没有转化。

配置模型：包括选择模型和配置参数。本发明可以选择DNN模型、FTRL模型、LR模型、GBDT+LR模型或FM模等，并根据选择的模型配置相应的参数。

训练模型：包括建模和训练模型两个步骤。当建模完成后，以所述训练样本集中的样本作为模型的输入得到输出。其中，在训练模型时，需要选择优化器，使模型的质量在不断迭代中逐步提升。

评估及优化：使用测试集中的数据测试所述模型，以了解模型的泛化能力。

计算模块443根据所述竞价广告的点击率ctr、转化率cvr及原始出价BID，获取所述竞价广告的有效千人成本eCPM。作为一个实施例，如8图所示，为计算模块443的示意图。所述计算模块443包括比较单元4431、出价调整单元4432和eCPM计算单元4433。所述比较单元4431将所述转化率cvr与第一阈值V1进行比较，在所述转化率cvr大于或等于第一阈值V1时，还将所述转化率cvr与第二阈值V2进行比较，将比较的结果发送给出价调整单元4432。出价调整单元4432在所述转化率cvr小于第一阈值V1时，使所述竞价广告退出竞价，不再参与广告的排名；在所述转化率cvr大于或等于第一阈值V1、且小于第二阈值V2时，以所述转化率cvr为自变量，利用正相关函数获取所述竞价广告的当前出价bid；在所述转化率cvr大于所述第二阈值V2时，以原始出价BID作为当前出价bid。eCPM计算模块4433按照公式eCPM＝ctr*bid计算所述竞价广告的有效千人成本eCPM。

当前的多个竞价广告经过前述的点击率获取模块441、转化率实时预测模块442和计算模块443的处理，分别得到了每一个竞价广告的有效千人成本eCPM，从而完成了对每一个竞价广告的评价。根据有效千人成本eCPM，对多个竞价广告进行排序，最终将用户当前的广告位分配给排序最高的广告。

如图9所示，为根据本发明实施例提供的广告评价方法的流程图。其中，所述广告评价方法包括：

步骤S100，获取竞价广告的点击率ctr。其中，所述点击率ctr是指广告被点击的概率，可以采用任何一种现有技术来获取所述点击率ctr。例如，先采用离线数据生成可用模型，而后在模型上线后，使用Online-Learning在线更新模型计算点击率ctr。其中，所述的模型包括概率回归(BOPR)、逻辑回归LR(Logistic Regression)、梯度提升决策树GBDT(Gradient Boost Decision Tree)、GBDT+LR、在线机器学习FTRL(Follow-the-regularized-Leader)或因式分解机FM(Factorization Machines)等模型。

步骤S200，获取用户对竞价广告的转化率cvr。所述转化率cvr是指广告用户的转化量与广告到达量的比值。具体地，所述转化率cvr通过图10所示的流程获取：

步骤S202,在客户端设备上追踪用户在页面上的点击行为和跳转行为，获得所述用户的行为数据。所述客户端设备包括便携式设备，诸如智能手机、平板电脑、笔记本电脑等。用户点击的页面包括普通页面和广告页面。点击页面时收集到的行为数据包括页面内容、点击时间、在该页面上停留的时间等数据。在页面发生跳转时，收集到的行为数据包括：原始页面内容或IP地址、目标页面内容或IP地址等数据。

其中，为了收集用户点击页面时产生的数据，可以在页面设置埋点，通过采集所述埋点数据获取用户在页面上的点击数据。设置埋点的页面包括特定的普通页面，如每个阅读页面等，也包括代表用户进行了成功转化的注册成功页、购买成功页、下载成功页等页面。另外，还可以通过某些SDK来监控客户端设备的系统广播消息可以获取如应用被安装、升级或卸载等用户行为数据。

步骤S204，训练所述用户的行为数据从而生成样本。例如，生成的样本可以为一条点击记录，其中包括多个特征，如原始页面IP地址、原始页面内容、点击时间、停留时间、跳转到目标页1的IP地址、目标页1的内容、目标页2的IP地址、目标页2的内容等等。

另外，根据用户的行为数据，运用年龄、性别、兴趣、阅读习惯等分析模型，可以推测出所述用户的性别、年龄、兴趣、阅读习惯等，并将其作为特征加入到样本中。

步骤S206，以所述样本作为预测模型的输入，经过所述预测模型的计算得到所述用户在当前广告位对所述竞价广告的转化率。其中，所述预测模型为深度神经网络DNN模型、FTRLFTRL模型、LR模型、GBDT+LR模型或FM模型。例如，以DNN模型为例，将前述得到的样本作为DNN模型的输入，经过DNN模型内部的层层计算，最终得到一个介于0和1之间的数值，该数值即为转化率。

步骤S300，根据所述转化率cvr调整所述竞价广告的原始出价BID，以获得当前出价bid。在一个实施例中，将所述转化率cvr分别与第一阈值和第二阈值进行比较，在所述转化率cvr小于所述第一阈值时，意味着该广告的转化率过低，不足以为广告主和平台带来相应的益处，因而使其退出竞价。在另一个极端，在所述转化率cvr大于所述第二阈值时，说明所述广告的转化率非常高，因而此时以广告主的原始出价作为当前出价bid。在所述转化率cvr介于第一阈值和第二阈值之间时，表时该广告的转化率虽然不高，但是也值得广告主投入，因而，以所述转化率cvr为自变量，利用正相关函数获取所述竞价广告的当前出价bid。

步骤S400，按照eCPM＝ctr*bid计算所述竞价广告的有效千人成本eCPM。

经过上述的广告评价流程，可以得到所有竞价广告的有效千人成本eCPM，按照从高到低的顺序排序，以当前有效千人成本eCPM最高的广告获得平台内提供的所述用户页面上的当前广告位。

本发明将广告的转化率cvr纳入考量体系中，使用FTRL或DNN等模型对广告的转化率cvr进行精确预测，通过对样本的完善、合适预测模型的选择，提高了预测值的准确度。在广告的排序时，根据模型实时计算出的转化率cvr将低转化率广告先过滤掉，余下的广告根据不同预估转化率cvr动态调整出价，保证高转化率cvr的广告高出价，低转化率cvr的广告低出价，从而降低了低转化率cvr广告的竞争力，再根据ecpm进行排序，从而保证排序较高的广告具备用户和平台预期的转化率。

上述实施例仅供说明本发明之用，而并非是对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明范围的情况下，还可以做出各种变化和变型，因此，所有等同的技术方案也应属于本发明公开的范畴。

Claims (15)

1.一种广告转化率实时预测方法，包括：

在客户端设备上收集用户在页面上的行为数据；

根据用户的行为数据生成样本；以及

根据所述样本预测所述竞价广告的转化率。

2.根据权利要求1所述的广告转化率实时预测方法，其中所述预测基于DNN模型、FTRL模型、LR模型、GBDT+LR模型和/或FM模型。

3.根据权利要求1所述的广告转化率实时预测方法，进一步包括：在页面设置埋点；以及通过采集所述埋点的数据获取用户在页面上的行为数据。

4.根据权利要求1所述的广告转化率实时预测方法，进一步包括：监控客户端设备的系统广播消息以获取用户在页面上的行为数据。

5.根据权利要求1所述的广告转化率实时预测方法，所述行为数据包括用户点击页面和/或页面跳转时的数据。

6.一种广告评价方法，包括：

获取竞价广告的点击率；

根据权利要求1-5任一所述方法获取竞价广告的转化率；

根据所述转化率调整所述竞价广告的原始出价，获得当前出价；以及

至少部分基于转化率和当前出价，获得所述竞价广告的有效千人成本。

7.根据权利要求6所述的广告评价方法，还包括：响应于所述转化率小于第一阈值退出竞价。

8.根据权利要求7所述的广告评价方法，还包括：响应于所述转化率大于或等于第二阈值时，以原始出价作为当前出价。

9.根据权利要求8所述的广告评价方法，还包括：在所述转化率r大于或等于所述第一阈值且小于所述第二阈值时，以所述转化率为自变量，利用正相关函数获取所述竞价广告的当前出价。

10.一种客户端设备，包括：

显示器，用于向用户提供应用操作界面；以及

处理器，其与显示器连接；其中，所述处理器经进一步配置包括：

埋点数据采集单元，经配置用以采集页面埋点数据；以及

系统广播监控单元，经配置用以采用第三方SDK监控用户设备的系统广播消息。

11.一种广告评价系统，包括：

应用接口，用于从客户端设备获取用户的行为数据；

数据库，用于存储竞价广告的原始出价及其出价调整策略；

计算核心，其与应用接口和数据库连接；

其中，计算核心经配置以利用从应用接口接收到的用户行为数据计算竞价广告点击率和转化率，并根据竞价广告转化率出价调整策略调整原始出价，至少部分基于转化率和当前出价获得所述竞价广告的有效千人成本。

12.根据权利要求11所述的广告评价系统，所述计算核心经进一步配置，包括：

点击率获取模块，经配置用以获取竞价广告的点击率；

转化率实时预测模块，经配置用以获取用户对竞价广告的转化率；和

计算模块，经配置用以根据所述竞价广告的点击率、转化率及当前出价，获取所述竞价广告的有效千人成本。

13.根据权利要求12所述的广告评价系统，所述转化率实时预测模块经进一步配置，包括：

样本生成单元，经配置用以根据所述用户的行为数据生成样本；和

预测单元，经配置用以以所述样本作为预测模型的输入，经过所述预测模型的计算得到所述竞价广告的转化率。

14.根据权利要求13所述的广告评价系统，所述预测模型为DNN模型、FTRL模型、LR模型、GBDT+LR模型或FM模型。

15.根据权利要求12所述的广告评价系统，所述计算模块经进一步配置包括：

比较单元，用于将所述转化率与第一阈值和/或第二阈值进行比较；

出价调整单元，用于在所述转化率大于或等于第一阈值，且小于第二阈值时，以所述转化率为自变量，利用正相关函数获取所述竞价广告的当前出价；在所述转化率大于所述第二阈值时，以原始出价作为当前出价；以及

计算单元，按照eCPM＝ctr*bid计算所述竞价广告的有效千人成本eCPM，其中，eCPM为有效千人成本，ctr为点击率，bid为经过调整后的当前出价。