CN110807655A

CN110807655A - 一种广告竞价方法、装置及设备

Info

Publication number: CN110807655A
Application number: CN201910979102.5A
Authority: CN
Inventors: 张园美
Original assignee: Weimeng Chuangke Network Technology China Co Ltd
Current assignee: Weimeng Chuangke Network Technology China Co Ltd
Priority date: 2019-10-15
Filing date: 2019-10-15
Publication date: 2020-02-18
Anticipated expiration: 2039-10-15
Also published as: CN110807655B

Abstract

本申请公开了一种广告竞价方法、装置及设备。方法包括：采集目标广告在广告主设定的曝光价格下的投放数据，并将投放数据作为样本训练竞价预估模型，以使竞价预估模型学习所述目标广告在不同类型人群的流量的点击率和转化率；基于预估的点击率和转化率，结合广告主设置的转化成本上限的约束条件，预估参与目标流量请求的竞价价格。由此，可通过智能调整竞价出价，将广告投放给最有可能转化的用户，达到投放效果最佳化的目的。

Description

一种广告竞价方法、装置及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种广告竞价方法、装置及设备。

背景技术

广告竞价是一种由用户自主投放，自主管理，通过调整价格来进行排名，按照广告效果付费的新型网络广告形式。

现有互联网竞价广告计费方式中，一般遵循出价排序的原理，即，出价越高，获取的高曝光量的机会越大。故，为了达到更好的投放效果，广告主往往需要实时监测广告计划的消耗、互动情况，并根据自身诉求(如追求导流、追求曝光)，动态调整出价、定向人群等，以满足此次推广目的。

因此，需要更加高效的广告竞价方案。

发明内容

本说明书实施例提供一种广告竞价方法、装置及设备，以提高广告竞价效果。

本说明书实施例还提供一种广告竞价方法，包括：

获取目标广告的转化成本上限和目标流量请求对应的用户特征，所述转化成本上限为广告主投放所述目标广告预期的转化成本，所述用户特征为发起所述目标流量请求的用户的特征；

将所述转化成本上限和所述用户特征输入竞价预估模型，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格；其中，所述预设约束条件包括所述竞价价格对应的转化成本小于所述转化成本上限，所述竞价预估模型由样本数据和对应的标签训练，所述样本数据包括指定曝光价格下投放所述目标广告的投放人群的用户特征，所述标签用于表征所述投放人群是否进行转化行为。

本说明书实施例还提供一种广告竞价装置，包括：

获取模块，用于获取目标广告的转化成本上限和目标流量请求对应的用户特征，所述转化成本上限由广告主设置，所述用户特征包括发起所述目标流量请求的用户的特征；

预估模块，用于将所述转化成本上限和所述用户特征输入竞价预估模型，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格；其中，所述预设约束条件包括所述竞价价格对应的转化成本小于所述转化成本上限，所述竞价预估模型由样本数据和对应的标签训练，所述样本数据包括指定曝光价格下投放所述目标广告的投放人群的用户特征，所述标签用于表征所述投放人群是否进行转化行为。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述的方法的步骤。

本说明书实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过使用竞价预估模型学习目标广告在不同类型人群的流量的点击率和转化率，并由竞价预估模型，结合广告主设置的转化成本上限的约束条件，智能调整目标广告参与属于不同人群的用户的流量请求对应的竞价出价，从而尽可能地将目标广告投放给转化可能性较高的用户，达到投放效果最佳化的目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书一实施例提供的一种应用场景的示意图；

图2为本说明书一实施例提供的一种广告竞价方法的流程示意图；

图3为本说明书一实施例提供的用户出价界面的示意图；

图4为本说明书一实施例提供的模型训练步骤的流程示意图；

图5为本说明书一实施例提供的步骤406的实现方式的示意图；

图6为本说明书一实施例提供的竞价预估原理示意图；

图7为本说明书一实施例提供的步骤204的实现方式的示意图；

图8为本说明书一实施例提供的一种广告竞价装置的结构示意图；

图9为本说明书一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

正如背景技术部分陈述的，为达到更好的广告投放效果，广告主需要进行大量的工作，且最终的投放效果也难以得到保证。基于此，本发明提供一种广告竞价，通过使用竞价预估模型智能调整目标广告参与不同流量请求的竞价出价，从而尽可能地将目标广告投放给转化可能性较高的用户，达到投放效果最佳化的目的。

下面参见图1对本说明书的应用场景进行示例性说明。

本应用场景中包括：用户终端101、平台102和广告主终端103，其中：

用户终端101，用于响应用户的操作向平台102发送流量请求(例如：访问某条热点的请求)，所述流量请求携带用户的年龄、性别、兴趣标签等信息；

广告主终端103，用于响应广告主的操作向平台102发起投放广告的请求，并为平台102提供广告计划，所述广告计划中可携带广告主设置的推广需求、出价、广告内容、期望投放人群等，例如：广告计划预期以10元/千次曝光的价格、出价1000、向18-35岁的男性、对IT感兴趣的人群投放目标广告；

平台101，用于根据用户特征，去广告物料库中寻找与用户的兴趣标签所吻合的广告计划；若寻找到n个广告计划，然后再按照出价方式、具体出价等，进行竞价排序；从中选出排序靠前的广告计划并将广告与流量请求对应的内容一并返回给用户终端101，以完成一次广告曝光。

其中，用户终端101和广告主终端103可以为PC，也可以为移动终端(例如：手机、笔记本、平板等)；平台101是指服务提供方的服务器，可为用户提供所请求访问的资源，也可以为广告主提供广告曝光服务。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图2为本说明书一实施例提供的一种广告竞价方法的流程示意图，参见图2，所述方法具体可以包括如下步骤：

步骤202、获取目标广告的转化成本上限和目标流量请求对应的用户特征，所述转化成本上限为广告主投放所述目标广告预期的转化成本，所述用户特征为发起所述目标流量请求的用户的特征；

其中，所述转化成本上限可以由广告主自主设置，参见图3；所述用户特征可以为平台预设的多个特征维度的特征，例如：年龄维度、性别维度、兴趣维度等。

不难理解的是，在步骤202之前，方法还包括：模型训练步骤；参见图4，所述模型训练步骤具体可以包括：

步骤402、获取预设时间段内累积的历史转化数据；

其中，预设时间段可以是指预设时长的积累周期；所述历史转化数据用于表征基于所述指定曝光价格投放所述目标广告的转化效果，至少包括：所述目标广告对应的点击数和转化数、投放人群中发生点击行为的用户、发生转化行为的用户、用户特征以及在什么情况下发生了点击行为或转化行为等；所述投放人群包括所述目标广告的广告计划预期定向投放的用户。

需要说明的是，步骤402的一种实现方式可以为：

结合图3，在第一阶段，广告主首先为目标广告填写曝光出价(ecpm＝千次曝光出价)，作为指定曝光价格，或者默认一出价(例如15元)作为指定曝光价格；然后，目标广告按照指定曝光价格的方式参与平台的竞价排序，由平台投放目标广告进行曝光，并收集预设时间段内的历史转化数据，为后续模型训练提供数据支持。

另外，为避免积累的历史转化数据的不合理，在进行模型训练步骤之前，本方法还包括：触发模型训练的步骤，该步骤具体可以为：

首先，预设一触发门限条件：预设时长的积累周期(M天)内转化数需超出转化数阈值(N个)方可触发后续模型训练的步骤；然后，在第一个积累周期内持续积累所述目标广告的转化数，若所述预设时间段(即第一个积累周期)内累积的所述目标广告的转化数超出转化数阈值，则允许使用第一个积累周期内记录的历史转化数据训练竞价预估模型；否则拒绝进行后续的模型训练步骤，清空本积累周期累计的历史转化数据，并重新累积下一个预设时间段内所述目标广告的转化数。其中的M和N的取值可动态调整，具体调整规则可以为：

首先，为M和N设置一初始值，例如：M为10，N为100，则初始门限条件为10天内转化数不少于100个；然后，在累积到初始门限条件的历史转化数据后，触发模型训练步骤，并使用训练完成的竞价预估模型进行预估竞价价格；然后，对比预估的竞价价格和广告主预期的转化成本上限，若所述竞价预估模型预估的竞价价格对应的转化成本超出所述转化成本上限，可能说明前期的数据积累量不合理(可能是数量不够，也可能是时间周期太长/太短)，而无法反映用户当下的行为特征，则调整所述预设时间段的时长(M)和/或所述转化数阈值(N)，得到新的门限条件，例如：8天的转化数不少于120个；若所述竞价预估模型预估的竞价价格对应的转化成本未超出所述转化成本上限，则维持使用初始门限条件。

基于此，本说明书实施例通过设置触发模型训练步骤的门限条件，并使用通过门限条件的历史转化数据进行模型训练，以避免出现由于积累的历史转化数据不合理，导致的模型训练效果不理想的情况；而且，本说明书实施例还将竞价预估模型的预估结果作为反馈信息，来动态调整门限条件，以进一步增加积累的历史转化数据的合理性，为提高模型训练效果提供数据支持。

步骤404、解析所述历史转化数据，得到所述投放人群用户特征和对应的标签；

其中，用户特征至少包括：年龄、性别、兴趣标签等。

步骤406、基于所述投放人群的用户特征和对应的标签，训练竞价预估模型，由竞价预估模型学习投放人群中不同标签的用户对所述目标广告的点击率和转化率。

其中，所述点击率是指某一内容被点击的次数与被显示次数之比；转化率是指通过点击广告进入推广网站的网民形成转化的比例。

需要说明的是，步骤406的一种实现方式可以为：

首先，对广告计划预期定向投放的用户的每个用户特征进行划分，得到多个细粒度的用户特征及细粒度的用户特征对应的子人群；然后，基于多个子人群的行为特征，训练竞价预估模型，可学习多个子人群对应的点击率和转化率。

具体可以示例为：

假设广告计划预期定向投放的用户的用户特征包括：18-35岁、男性、配置有IT的兴趣标签，则划分出的细粒度的用户特征可以为：18-35岁对应的18-20岁、20-24岁、24-25岁等，IT的兴趣标签对应的计算机的兴趣标签、通讯的兴趣标签等；然后，对不同特征维度的细粒度的用户特征进行组合，得到多个用户特征集，例如：18-20岁+计算机的兴趣标签+男性、24-25岁+通讯的兴趣标签+男性等；然后，基于每个用户特征集对应的子人群的行为特征，训练竞价预估模型，以学习每个子人群的点击率和转化率，参见图6。

参见图5，步骤406的另一种实现方式可以为：

步骤502、确定所述广告计划预期定向投放的用户的第一用户特征；

其中，所述第一用户特征可以示例为：18-35岁、男性、配置有IT的兴趣标签。

步骤504、从预设特征维度列表中选出与所述第一用户特征对应的特征维度不同的至少一个目标特征维度；

其中，所述预设特征维度列可以是指服务器预划分出的、包含多个特征维度的列表；所述至少一个目标特征维度可以是指除第一用户特征对应的年龄、性别、兴趣等特征维度之外的其他特征维度，例如：用户所在地、学历等。

步骤506、基于所述至少一个目标特征维度，生成所述广告计划预期定向投放的用户的第二用户特征。

步骤508、基于所述第一用户特征和所述第二用户特征，划分所述投放人群，得到多个子人群；

其中，所述多个子人群的用户特征不同且均包括所述第一用户特征，例如：第一子人群的用户特征可以为：18-35岁+男性+配置有IT的兴趣标签+北京+本科，第二子人群的用户特征可以为：18-35岁+男性+配置有IT的兴趣标签+南京+硕士等。

步骤510、基于所述多个子人群的用户特征和对应的标签，训练竞价预估模型，以使所述竞价预估模型学习所述多个子人群对所述目标广告的点击率和转化率，所述竞价预估模型用于预估所述目标广告参与各子人群的用户的流量请求的竞价价格。例如：竞价预估模型可学习到子人群A对应的点击率和转化率分别为0.6％(1000个看到这个广告计划的用户中，有6个用户发生了点击行为)和10％(这6个用户中又有10％的用户发生了转化行为)，子人群B对应的点击率和转化率分别为0.8％和8％，参见图6。

进一步地，参见图6，本说明书实施例还包括：模型优化步骤，所述模型优化步骤可以为：

反馈集各人群对目标广告的真实点击率和真实转化率，对比预估点击率和真实点击率、预估转化率和真实转化率；基于对比结果，对所述竞价预估模型进行迭代优化处理。

基于此，本说明书实施例通过对广告主的广告计划中预期定向投放的用户特征做进一步地处理，以从投放人群中划分出多个子人群，并使用子人群对应的用户特征和行为特征训练模型，以供竞价预估模型学习到更多特征维度的人群对目标广告的点击率和转化率，从而可以提高训练出的竞价预估模型的预测精度。

步骤204、将所述转化成本上限和所述用户特征输入竞价预估模型，以预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格；

其中，所述预设约束条件包括所述竞价价格对应的转化成本小于所述转化成本上限；所述竞价预估模型由样本数据和对应的标签训练；所述样本数据包括指定曝光价格下投放所述目标广告的投放人群的用户特征，所述指定曝光价格可以由广告主在第二阶段自主设置，参见图3；所述标签用于表征所述投放人群是否进行转化行为，所述转化行为是指点击广告进入推广网站的网民形成转化的行为，例如：用户点击某app推广广告、下载并激活该app的行为。

需要说明的是，步骤204的一种实现方式可以为：

基于以下公式，预估参与所述目标流量请求的竞价价格Ecpm：

Ecpm＝cost_price*pCTR*pCVR*1000

其中，pCTR和pCVR为所述目标流量请求对应的用户所属人群的预估点击率和预估转化率；cost_price为单次转化成本，cost_price的取值可以取决于pCTR和pCVR。具体可以为：

pCTR和pCVR越大，则所述目标流量请求对应的用户的转化价值越高；用户的转化价值越高，则cost_price的取值越高，但不会超出转化成本上限。

参见图7，基于步骤204的上一实现方式，步骤204的另一种实现方式可以为：

步骤702、确定所述用户特征与第一用户特征的匹配度，所述第一用户特征为所述广告主预期定向投放的用户的特征；具体可以为：

将所述用户特征与第一用户特征中属于同一特征维度的特征进行对比，然后，对各特征维度的对比结果进行统计分析，得到匹配度；一般情况下，每个特征维度上的特征差别越小，则匹配度越高。例如：

假设第一用户特征为18-35岁、男性、配置有IT的兴趣标签，用户特征为：36岁、男性、配置有IT的兴趣标签；对比可知，性别维度和兴趣维度均完全匹配，而且在年龄维度上的年龄差较小，则可认为两者几乎完全匹配，得到90分的匹配度。同理，若用户特征为60岁、女性、未配置有IT的兴趣标签，则对比可知，两者在各特征维度的特征差均较大，则可认为两者几乎完成不匹配，得到10分的匹配度。

步骤704、确定所述匹配度对应的竞价权重，所述竞价权重用于表征竞价力度；

步骤706、基于所述竞价权重和所述转化成本上限，通过竞价预估模型预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。其一种实现方式可以为：

确定目标人群对应的预估点击率和预估转化率，所述目标人群为发起所述目标流量请求的用户所属的人群；基于所述预估点击率和预估转化率、所述转化成本上限以及所述竞价权重，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。具体可以为：

目标人群对应的预估点击率和预估转化率越高，则转化价值越大；匹配度越高且转化价值越大，则竞价权重越高，进而cost_price的取值也越高，竞价预估模型在所述转化成本上限的约束下输出的Ecpm也越高；反之，目标人群对应的预估点击率和预估转化率越高低，则转化价值越大，匹配度和转化价值越低，则竞价权重阅读，进而cost_price的取值也越低，竞价预估模型在所述转化成本上限的约束下输出的Ecpm也越低。

基于此，本说明书实施例通过竞价预估模型考虑用户的转化价值、用户特征与广告计划定向人群的匹配度，并基于转化价值和匹配度，确定参与竞价的竞价权重，从而可动态调整目标广告参与不同流量请求的竞价价格，达到最优转化效果的目的。

综上所述，本说明书实施例通过使用竞价预估模型学习目标广告在不同类型人群的流量的点击率和转化率，并由竞价预估模型，结合广告主设置的转化成本上限的约束条件，智能调整目标广告参与不同流量请求的竞价出价，从而尽可能地将目标广告投放给转化可能性较高的用户，达到投放效果最佳化的目的。

对于上述方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。

图8为本说明书一实施例提供的一种广告竞价装置的结构示意图，参见图8，所述装置具体可以包括：获取模块801和预估模块802，其中：

获取模块801，用于获取目标广告的转化成本上限和目标流量请求对应的用户特征，所述转化成本上限由广告主设置，所述用户特征包括发起所述目标流量请求的用户的特征；

预估模块802，用于将所述转化成本上限和所述用户特征输入竞价预估模型，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格；其中，所述预设约束条件包括所述竞价价格对应的转化成本小于所述转化成本上限，所述竞价预估模型由样本数据和对应的标签训练，所述样本数据包括指定曝光价格下投放所述目标广告的投放人群的用户特征，所述标签用于表征所述投放人群是否进行转化行为。

可选的，装置还包括：

数据累积模块，用于获取预设时间段内累积的历史转化数据，所述历史转化数据用于表征基于所述指定曝光价格投放所述目标广告的转化效果，所述目标广告对应的投放人群包括所述目标广告的广告计划预期定向投放的用户；

解析模块，用于解析所述历史转化数据，得到所述投放人群的用户特征和对应的标签；

训练模块，用于基于所述投放人群的用户特征和对应的标签，训练竞价预估模型。

可选的，装置还包括：

划分模块，用于确定所述广告计划预期定向投放的用户的第一用户特征；从预设特征维度列表中选出与所述第一用户特征对应的特征维度不同的至少一个目标特征维度；基于所述至少一个目标特征维度，生成所述广告计划预期定向投放的用户的第二用户特征；基于所述第一用户特征和所述第二用户特征，划分所述投放人群，得到多个子人群，所述多个子人群的用户特征不同且均包括所述第一用户特征；

其中，训练模块，具体用于：

基于所述多个子人群的用户特征和对应的标签，训练竞价预估模型，以使所述竞价预估模型学习所述多个子人群对所述目标广告的点击率和转化率，所述竞价预估模型用于预估所述目标广告参与各子人群的用户的流量请求的竞价价格。

可选的，所述历史转化数据包括：所述目标广告的转化数；则装置还包括：

门限模块，用于若所述预设时间段内累积的所述目标广告的转化数超出转化数阈值，则允许训练竞价预估模型；否则重新累积下一个预设时间段内所述目标广告的历史转化数据。

可选的，门限模块，还用于若所述竞价预估模型预估的竞价价格对应的转化成本超出所述转化成本上限，则调整所述预设时间段的时长和/或所述转化数阈值。

可选的，预估模块802，具体用于：

确定所述用户特征与第一用户特征的匹配度，所述第一用户特征为所述广告主预期定向投放的用户的特征；确定所述匹配度对应的竞价权重，所述竞价权重用于表征竞价力度；基于所述竞价权重和所述转化成本上限，通过竞价预估模型预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。

可选的，预估模块802，具体用于：

确定目标人群对应的预估点击率和预估转化率，所述目标人群为发起所述目标流量请求的用户所属的人群；基于所述预估点击率和预估转化率、所述转化成本上限以及所述竞价权重，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。

可见，本说明书实施例通过使用竞价预估模型学习目标广告在不同类型人群的流量的点击率和转化率，并使用竞价预估模型智能调整目标广告参与不同流量请求的竞价出价，从而尽可能地将目标广告投放给转化可能性较高的用户，达到投放效果最佳化的目的。

另外，对于上述装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。应当注意的是，在本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。

图9为本说明书一实施例提供的一种电子设备的结构示意图，参见图9，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成广告竞价装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。

处理器，用于执行所述存储器存放的程序，并具体执行：

上述如本申请图8所示实施例揭示的广告竞价装置或管理者(Master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

广告竞价装置还可执行图2-7的方法，并实现管理者节点执行的方法。

基于相同的发明创造，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图2-7对应的实施例提供的广告竞价方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种广告竞价方法，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，在获取目标广告的转化成本上限和目标流量请求对应的用户特征之前，还包括：

获取预设时间段内累积的历史转化数据，所述历史转化数据用于表征基于所述指定曝光价格投放所述目标广告的转化效果，所述目标广告对应的投放人群包括所述目标广告的广告计划预期定向投放的用户；

解析所述历史转化数据，得到所述投放人群的用户特征和对应的标签；

基于所述投放人群的用户特征和对应的标签，训练竞价预估模型。

3.根据权利要求2所述的方法，其特征在于，还包括：

确定所述广告计划预期定向投放的用户的第一用户特征；

从预设特征维度列表中选出与所述第一用户特征对应的特征维度不同的至少一个目标特征维度；

基于所述至少一个目标特征维度，生成所述广告计划预期定向投放的用户的第二用户特征；

基于所述第一用户特征和所述第二用户特征，划分所述投放人群，得到多个子人群，所述多个子人群的用户特征不同且均包括所述第一用户特征；

其中，所述基于所述投放人群的用户特征和对应的标签，训练竞价预估模型，包括：

基于所述多个子人群的用户特征和对应的标签，训练竞价预估模型，以使所述竞价预估模型学习所述多个子人群对所述目标广告的点击率和转化率。

4.根据权利要求2所述的方法，其特征在于，所述历史转化数据包括：所述目标广告的转化数；则在基于所述投放人群的用户特征和对应的标签，训练竞价预估模型之前，还包括：

若所述预设时间段内累积的所述目标广告的转化数超出转化数阈值，则允许训练竞价预估模型；否则重新累积下一个预设时间段内所述目标广告的历史转化数据。

5.根据权利要求4所述的方法，其特征在于，还包括：

若所述竞价预估模型预估的竞价价格对应的转化成本超出所述转化成本上限，则调整所述预设时间段的时长和/或所述转化数阈值。

6.根据权利要求3所述的方法，其特征在于，所述将所述转化成本上限和所述用户特征输入竞价预估模型，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格，包括：

确定所述用户特征与第一用户特征的匹配度，所述第一用户特征为所述广告主预期定向投放的用户的特征；

确定所述匹配度对应的竞价权重，所述竞价权重用于表征竞价力度；

基于所述竞价权重和所述转化成本上限，通过竞价预估模型预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。

7.根据权利要求6所述的方法，其特征在于，所述基于所述竞价权重和所述转化成本上限，通过竞价预估模型预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格，包括：

确定目标人群对应的预估点击率和预估转化率，所述目标人群为发起所述目标流量请求的用户所属的人群；

基于所述预估点击率和预估转化率、所述转化成本上限以及所述竞价权重，预估预设约束条件下所述目标广告参与所述目标流量请求的竞价价格。

8.一种广告竞价装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。