CN111401943B - 多源广告竞价系统和方法 - Google Patents
多源广告竞价系统和方法 Download PDFInfo
- Publication number
- CN111401943B CN111401943B CN202010160006.0A CN202010160006A CN111401943B CN 111401943 B CN111401943 B CN 111401943B CN 202010160006 A CN202010160006 A CN 202010160006A CN 111401943 B CN111401943 B CN 111401943B
- Authority
- CN
- China
- Prior art keywords
- advertisement
- bidding
- target
- information
- return rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0247—Calculate past, present or future revenues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种多源广告竞价系统和方法,涉及广告技术领域。通过整合多个来源不同的广告竞价系统,搭建多源广告竞价系统,使得混合竞价系统在接收到流量媒体方发送的流量信息、用户特征信息以及各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益后,预估得到每个目标竞价广告的定向实时返回率,以及统计得到每个目标竞价广告的历史平滑返回率,并根据每个目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个目标竞价广告的竞价调节系数,并根据每个目标竞价广告的竞价调节系数以及展示收益确定每个目标竞价广告的竞价价格,提高了广告展示的多样性,增加了竞价的公平性。
Description
技术领域
本发明涉及广告技术领域,具体而言,涉及一种多源广告竞价系统和方法。
背景技术
广告行业有着相当悠久的历史,从一开始的报纸到广播,再到电视,都体现了广告对于产品推广的巨大贡献。随着互联网技术的高速发展,催生出一种新型广告-互联网广告。互联网广告具有广告资源形式多样、位置多样的特点,且每个广告厂商的竞价策略也是不尽相同。目前,对于互联网广告的展现大多是基于单一来源的广告交易系统来进行,但随着广告类型的不断增加,单一来源的广告交易系统就显得比较薄弱,主要体现为竞价不充分,且广告展示的样式和类型较单一。
发明内容
基于上述研究,本发明提供了一种多源广告竞价系统和方法,以改善上述问题。
本发明的实施例可以这样实现:
第一方面,实施例提供一种多源广告竞价系统,包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统;
所述供给方平台用于接收流量媒体方所发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统;
各所述广告竞价系统用于根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益;
所述混合竞价系统用于接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告。
在可选的实施方式中,各所述广告竞价系统还包括数据管理平台和竞价平台;
所述数据管理平台用于接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益;
所述竞价平台用于对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
在可选的实施方式中,所述混合竞价系统用于:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行预处理以及标准化处理,得到标准化后的特征序列;
将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
在可选的实施方式中,所述逻辑回归模型通过以下步骤得到:
获取历史请求数据,对所述历史请求数据进行预处理和标准化处理,得到标准化后的特征数据;其中,所述历史请求数据包括历史请求的用户特征信息、流量信息、所请求广告的返回信息以及广告信息;
对标准化后的特征数据进行编码,得到向量化后的特征数据;
基于Sigmoid函数对向量化后的特征数据进行概率映射,得到特征数据的返回率;
基于预设损失函数对所述特征数据的返回率以及所述返回信息的差值进行调整,直至所述差值小于预设值。
在可选的实施方式中,所述混合竞价系统用于:
对不同时间节点的广告请求数和返回数进行统计,并基于时间衰减通过以下公式计算每个所述目标竞价广告的历史平滑返回率:
SRratei=α*Rratei+(1-α)*SRratei-1
在可选的实施方式中,所述混合竞价系统用于:
基于以下公式计算每个所述目标竞价广告的竞价调节系数:
M_factor=(SRrate+ERrate)/2;
其中,M_factor为竞价调节系数,SRrate为定向实时返回率,ERrate为历史平滑返回率。
在可选的实施方式中,所述混合竞价系统用于:
基于以下公式计算每个所述目标竞价广告的竞价价格:
M_eCPM=ECPM*M_factor;
其中,M_eCPM为竞价价格,ECPM为目标展示收益,M_factor为竞价调节系数。
第二方面,实施例提供一种多源广告竞价方法,应用于多源广告竞价系统,所述多源广告竞价系统包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统,所述方法包括:
所述供给方平台接收流量媒体方发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统;
各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益;
所述混合竞价系统接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告。
在可选的实施方式中,各所述广告竞价系统还包括数据管理平台和竞价平台;各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益的步骤包括:
所述数据管理平台接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益;
所述竞价平台对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
在可选的实施方式中,所述混合竞价系统根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率的步骤包括:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行预处理以及标准化处理,得到标准化后的特征序列;
将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
本发明实施例提供的多源广告竞价系统和方法,通过整合多个来源不同的广告竞价系统,搭建多源广告竞价系统,使得混合竞价系统在接收到流量媒体方发送的流量信息、用户特征信息以及各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益后,根据流量信息、用户特征信息以及每个目标竞价广告的广告信息,预估得到每个目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个目标竞价广告的历史平滑返回率,根据每个目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个目标竞价广告的竞价调节系数,根据每个目标竞价广告的竞价调节系数以及展示收益确定每个目标竞价广告的竞价价格,对每个目标竞价广告的竞价价格进行排序,以得到竞价成功的竞价广告,提高了广告展示的多样性,增加了竞价的公平性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为现有广告竞价系统的一种结构示意图。
图2为本发明实施例所提供的混合广告竞价系统的一种结构示意图。
图3为本发明实施例所提供的混合广告竞价系统的另一种结构示意图。
图4为本发明实施例所提供的混合广告竞价系统的原理示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
广告行业有着相当悠久的历史,从一开始的报纸到广播,再到电视,都体现了广告对于产品推广的巨大贡献。随着互联网技术的高速发展,催生出一种新型广告--互联网广告。尤其是自2010年之后,随着智能手机迅猛普及、4G网络高速覆盖,互联网从个人计算机(Personal Computer,PC)时代转战移动互联网。互联网广告也从一开始的PC端的网页广告,发展到移动端的图片和视频类广告。移动端的广告传播速度更快,与用户之间的互动性更强,形式样式更加多样化,转化效果更好。
对于互联网广告,其具有广告资源形式多样,位置多样的特点,且每个广告厂商的竞价策略也是不尽相同。对于互联网广告,通常是以暗拍的方式进行展现,即拍卖不公布竞价的广告厂商和它们的出价,而是由广告系统根据统一算法决定广告的展现。广告厂商会根据多次竞价结果判断流量的价值,随时更新广告的出价。当广告厂商数量较少时,很难保证竞价的充分性。
在移动互联时代,由于网民的数量庞大、用户上网(尤其是手机上网)的时间较长,因此,在面对海量的潜在用户与商机时,大量的企业选择了通过互联网营销推广产品,进而广告投放厂商的需求进一步刺激了互联网广告的大发展、大繁荣、大爆炸。
目前,移动端平台的广告竞价系统也越来越完善,不仅包含需求方平台(Demand-Side Platform,DSP),供给方平台(Supply Side Platform,SSP),广告交易平台(AdExchange,ADX),数据管理平台(Data Management Platform,DMP)。
需求方平台用于将广告投放厂商和代理商投放的广告和出价进行整合。对于广告来说,优质的广告素材和合理的出价方式能够在给定每天预算的前提下获得最大化的收益。目前广告厂商采用的出价方式有展示付费(Cost Per Mille,CPM)、点击付费(Cost PerClick,CPC)、合约付费(Cost Per Time,CPT)等。
不同付费方式有各自的优势,例如,对于需要快速推广展示的品牌广告主来说,采用CPT方式,能够达到短时高效的推广品牌效应,但是对于以转化为目标的广告主来说,需求用户点击广告,深入了解产品,通过采用点击付费方式,提升广告的点击转化率。
数据管理平台,是把需求方平台上不同广告投放厂商分散的数据进行整合纳入统一的技术平台,并对这些数据进行标准化和细分。广告投放厂商根据产品的受众,倾向于将广告推向更有点击和购买欲望的受众,广告投放厂商在需求方平台制定属于产品的受众定向。数据管理平台将不同受众定向的广告整合到一起,方便为供给方平台提供精准的定向广告。
请参阅图1,图1为移动端平台的广告竞价系统的结构图,基于该结构,其实时竞价广告请求响应的整个流程为:
响应用户的操作,打开供给方平台(SSP)提供的应用程序(Application,APP)(此时广告即将被展示但未展示),APP将用户信息(例如APP名称,广告位信息等)上报SSP,SSP收到上报的用户信息后,向和SSP对接的广告交易平台(ADX)发起竞价请求;
广告交易平台将用户信息传送给数据管理平台(DMP)。数据管理平在接收到用户信息后,匹配符合投放要求的广告。
数据管理平台将匹配到的所有的广告发送给需求方平台,需求方平台会对所有的广告进行出价,将竞价价格和广告投放的物料信息发送给广告交易平台,进行竞价。
广告交易平台对此次出价的所有广告进行竞价,选出出价最高的广告进行展示,并将竞价成功的广告的物料信息等返回给SSP。
SSP将物料信息下发给APP,此时APP展示广告;广告展示完成后,通过结算平台进行结算。
对于移动端平台来说,虽然单一来源的广告能够满足目前的运营,但随着广告类型的不断增加,单一来源的广告交易系统就显得比较薄弱。主要体现在竞价不充分,广告展示的样式和类型较单一等方面。
基于上述研究,本实施例提供一种多源广告竞价系统,以改善上述问题。
请参阅图2,本实施例提供的多源广告竞价系统包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统。
所述供给方平台用于接收流量媒体方所发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统。
各所述广告竞价系统用于根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益。
所述混合竞价系统用于接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告。
可选的,在本实施例中,所述多个来源不同的广告竞价系统可包括需求方平台(Demand-Side Platform,DSP)广告竞价系统,实时竞价(Real Time Bidding,RTB)广告竞价系统,私有交易市场(Private Marketplace,PMP)广告竞价系统以及第三方软件开发工具包(software development kit,SDK)广告竞价系统。
其中,在DSP广告竞价系统中,广告投放厂商和代理商通过同一界面创建图片和视频广告,广告投放厂商提前设定广告在资源位上的出价,DSP广告竞价系统预估广告点击率,广告投放厂商的广告会根据预估点击率和实际出价进行竞价,价值最高的广告(即目标竞价广告)会输入至混合竞价系统参与混合竞价。
RTB广告竞价系统、第三方PMP广告竞价系统和第三方SDK广告竞价系统对第三方投放的广告进行内部竞价。不同的第三方竞价系统会根据广告投放厂商的出价对广告进行系统内竞价,每个系统中价值最高的广告(即目标竞价广告)会输入至混合竞价系统参与混合竞价。
在本实施例中,当用户浏览APP或者网站网页时,流量媒体方则会携带流量信息和用户特征信息发起广告展示请求。其中,流量信息包括流量位置和位置大小,即此次广告展示的位置,展示的APP名称和展示的广告大小。用户特性信息包括用户年龄,性别,IP地址等信息。
供给方平台中记录有各广告竞价系统对流量位置大小的选择,因此,供给方平台收到广告展示请求后,将用户特征信息传输至各广告竞价系统,并根据各广告竞价系统所需的流量位置大小,将流量信息传输给各广告竞价系统。例如,DSP广告竞价系统需要流量位置大小为m*n的流量,供给方平台则将m*n的流量信息传输至DSP广告竞价系统。
各广告竞价系统在接收流量信息以及用户特征信息后,根据流量信息以及用户特征信息计算得到各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益,各广告竞价系统将计算得到的目标竞价广告和目标竞价广告的目标展示收益发送至混合竞价系统。
混合竞价系统则根据流量信息、用户特征信息以及每个目标竞价广告的广告信息,预估得到每个目标竞价广告的定向实时返回率,以及基于历史不同时间节点的广告请求数和返回数,统计得到每个目标竞价广告的历史平滑返回率。在得到每个目标竞价广告的定向实时返回率以及历史平滑返回率后,根据每个目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个目标竞价广告的竞价调节系数,根据每个目标竞价广告的竞价调节系数以及目标展示收益确定每个目标竞价广告的竞价价格,对每个目标竞价广告的竞价价格进行排序,以得到竞价成功的竞价广告。
在本实施例中,各个来源不同的广告竞价系统在进行内部竞价后,将目标竞价广告发送至混合竞价系统进行混合竞价,即可得到投放价值最高,定向最精准的广告源广告。
本实施例通过搭建多源广告竞价系统,整合了不同类型的广告竞价系统,提高广告展示的多样性,增加了竞价的公平性,完善了广告系统的单一模式。
在可选的实施方式中,本实施例所提供的各广告竞价系统还包括数据管理平台和竞价平台。
所述数据管理平台用于接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益;
所述竞价平台用于对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
如图3所示,在本实施例中,不同类型的广告竞价系统包括的数据管理平台和竞价平台不同,例如,DSP广告竞价系统包括DSP数据管理平台以及DSP竞价平台,RTB广告竞价系统包括RTB数据管理平台以及RTB竞价平台,第三方PMP广告竞价系统包括PMP数据管理平台以及PMP竞价平台,第三方SDK广告竞价系统包括SDK数据管理平台以及SDK竞价平台。
在本实施例中,DSP广告竞价系统还包括需求方平台,需求方平台存储有广告匹配的定向规则以及每个广告的出价。其中,定向规则包括流量信息、用户特征信息与广告的关联关系。
对于DSP广告竞价系统,DSP数据管理平台整合有不同受众定向的广告,DSP数据管理平台在接收到供给方平台传输的流量信息以及用户特征信息后,向需求方平台请求定向规则以及广告的出价,需求方平台响应需求,将定向规则以及广告的出价发送给DSP数据管理平台,DSP数据管理平台在得到定向规则以及广告的出价后,将流量信息、用户信息以及定向规则进行映射匹配,得到所有参与混合竞价的目标匹配广告以及每个目标匹配广告的出价。
例如,得到的定向规则以及广告的出价如下表所示:
若接收到的是年龄22周岁,性别女,居住地北京,流量位置尺寸为n*m的流量信息和用户特征信息,在根据表格所示的定向规则以及出价进行映射匹配后,可得到的目标匹配广告为广告1和广告4,广告1的出价为1.6,广告4的出价为2.2。
为了避免给同一用户无限制展示相同广告,提高用户对广告多样性的兴趣,本实施例可预先对同一用户对同一广告厂商的同一广告设置展示上限,可选的,展示上限可根据用户群体的兴趣属性而设置。对用户群体按兴趣属性进行区别(例如,以购物、美妆等兴趣属性进行区分),设置不同曝光频次,对比人群在不同曝光频次下对广告兴趣值,寻找最优值,其最优值即为展示上限。通过设置展示上限,对同一用户的同一展示广告进行过滤,提升广告展示效果。
在对目标匹配广告进行过滤后,可根据过滤后的目标匹配广告的出价、流量信息以及用户特征信息预估目标匹配广告的点击率,再根据每个目标匹配广告的点击率以及目标匹配广告的出价计算得到每个目标匹配广告的展示收益。
在实际应用中,广告的点击率预估越准确,广告的收益就会越高。例如,对于CPC类型广告来说,其主要根据点击计费,利用广告点击率来确定广告的实际点击价值。广告厂商出价高,但广告质量较差,大量投放广告,点击率实际较低,广告达不到高点击效果,则展示收益也不会提升。提高点击率预估的精准度,则能提升收益,同时能够为广告厂商提供最高的支出效率。
广告点击率预估的方法很多,比较常见的有逻辑回归(Logistic Regression,LR),隐向量特征交叉(FM)以及快速多级算法(Fast Multipole Method,FMM)等方法。假设广告被点击的样本为正样本,把未被点击的样本当成负样本,那么样本的点击率(ctr)实际上就是样本为正样本的概率,LR模型可以输出样本为正样本的概率,可以更好解决这类问题,且相比于其他模型,LR模型求解简单、可解释强,在工业界广泛使用。
而在实际应用中,特征的组合又会直接影响到模型的效果,且LR模型需要消耗大量时间进行特征选择和组合。因此,在本实施例中,采用梯度下降树(Gradient BoostDecision Tree,GBDT)进行特征的划分和组合,然后采用LR进行线性拟合的方式预估广告点击率,从而减少人工特征选择和组合的复杂度,同时还能支持多种多样特征的交叉组合。
GBDT是一种常用的非线性模型,它基于集成学习boosting思想,每次迭代都在减少残差的梯度方向新建一棵决策树,迭代多少次就会生成多少颗决策树。经过基层分裂之后得到叶子结点即为新特征。在将新特征进行逻辑回归训练,预估得到广告的点击率。
具体的实施方式中,在得到过滤后的目标匹配广告的出价、流量信息以及用户特征信息后,将目标匹配广告、目标匹配广告的出价、流量信息以及用户特征信息作为特征输入到GBDT模型中,进行特征的划分和组合,得到新特征,然后再通过LR模型进行线性拟合,预估得到目标匹配广告的点击率。其中,特征的划分则将同一类别的特征划分到一起,比如说性别与年龄为一类别的,流量位置大小与广告名称是一类型的。特征的组合指的是交叉特征,例如将广告名称和年龄进行交叉组成新的特征。
在基于GBDT模型和LR模型预估得到所有目标匹配广告的点击率后,针对每个目标匹配广告,根据该目标匹配广告的点击率和出价,计算该目标匹配广告的展示收益(effective cost per mile,eCPM)。
在得到所有的目标匹配广告的eCPM后,将所有的目标匹配广告的eCPM进行排序,其中,eCPM最高的目标匹配广告则为目标竞价广告,第二高的eCPM,即二价eCPM则为目标竞价广告的目标展示收益。
需要说明的是,在DSP广告竞价系统中,对目标匹配广告的过滤、预估目标匹配广告的点击率以及计算目标匹配广告的展示收益的过程均通过DSP竞价平台执行。
对于RTB广告竞价系统来说,RTB数据管理平台中整合有不同受众定向的广告以及广告对应的展示收益。RTB数据管理平台在接收到供给方平台传输的流量信息以及用户特征信息后,对流量信息以及用户特征信息进行响应,根据定向规则,匹配得到所有的目标匹配广告以及目标匹配广告的展示收益。
在得到所有的目标匹配广告以及目标匹配广告的展示收益后,RTB竞价平台将所有的目标匹配广告的eCPM进行排序,其中,eCPM最高的目标匹配广告则为目标竞价广告,第二高的eCPM,即二价eCPM则为目标竞价广告的目标展示收益。
对于第三方PMP广告竞价系统来说,PMP数据管理平台中整合有不同受众定向的广告以及广告对应的展示收益。PMP数据管理平台在接收到供给方平台传输的流量信息以及用户特征信息后,对流量信息以及用户特征信息进行响应,根据定向规则,匹配得到所有的目标匹配广告以及目标匹配广告的展示收益。
在得到所有的目标匹配广告以及目标匹配广告的展示收益后,PMP竞价平台将所有的目标匹配广告的eCPM进行排序,其中,eCPM最高的目标匹配广告则为目标竞价广告,第二高的eCPM,即二价eCPM则为目标竞价广告的目标展示收益。
对于第三方SDK广告竞价系统来说,SDK数据管理平台整合有多个第三方SDK广告以及每个第三方SDK广告的展示收益。SDK数据管理平台在接收到供给方平台传输的流量信息以及用户特征信息后,对流量信息以及用户特征信息进行响应,根据定向规则,匹配得到所有的目标匹配广告以及目标匹配广告的展示收益。
在得到所有的目标匹配广告以及目标匹配广告的展示收益后,SDK竞价平台将所有的目标匹配广告的eCPM进行排序,其中,eCPM最高的目标匹配广告则为目标竞价广告,该目标匹配广告的eCPM则为目标展示收益,即最高的eCPM为目标展示收益。
需要说明的是,在本实施例中,对于RTB广告竞价系统、第三方PMP广告竞价系统以及第三方SDK广告竞价系统,在根据定向规则,匹配目标匹配广告时,其处理过程与DSP广告竞价系统相同,在此不做赘述。在匹配得到目标匹配广告后,即可从各广告竞价系统中的数据管理平台中获取与目标匹配广告对应的展示收益(eCPM)。
可选的,对于RTB广告竞价系统、第三方PMP广告竞价系统以及第三方SDK广告竞价系统,其定向规则可预先存储于各广告竞价系统中的数据管理平台,也可以通过数据管理平台向第三方平台(例如,需求方平台)进行请求,本实施例不做限制。
各个来源的广告竞价系统在进行内部竞价后,得到各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益,各广告竞价系统将得到的目标竞价广告和目标竞价广告的目标展示收益发送至混合竞价系统,进行混合竞价,以得到价值最高,定向最精准的广告源广告。
其中,各个来源的广告竞价系统根据各自受众定向来响应广告,但网络延时,素材加载失败等问题都会造成无法展示广告,出现收益的损失,所以在混合竞价过程中要考虑到不同来源的广告的返回率,根据广告的返回率和折损率调整各个广告参与混合竞价的竞价价格,则可实现收益最大化,定向效果最优化。
在本实施例中,广告的返回率包括广告的历史平滑返回率以及定向实时返回率。
其中,历史平滑返回率主要是基于对历史不同时间节点的广告请求数和返回数进行统计得到。广告请求数,是指广告请求的次数,而广告返回数是指在数据管理平台匹配成功且返回广告展示物料素材信息的广告数。
不同时间节点的广告请求数和返回数存在一定差异,是否返回由数据管理平台决定,数据管理平台在基于定向规则进行匹配后,广告是否返回存在较大差异,且不同时间节点内,定向规则的变化也会导致返回数据量存在差异,且第三方数据管理平台广告的定向是未知的,因此,本实施例通过引入时间长短参数来提高返回率计算的精准度。
在可选的实施方式中,通过以下公式计算每个所述目标竞价广告的历史平滑返回率:
SRratei=α*Rratei+(1-α)*SRratei-1
由于短期时间内的返回率变化缓慢,随着时间的推移,多方因素的影响,返回率的变化会发生很大的差异,因此,对不同时间节点上返回率赋予不同的权重,其中,近期的返回率比远期的返回率更加能够体现目前返回的现状,因此,对近期赋予更高的权重。
时间衰减系数α可以是0和1之间的任意值,它控制着前后时间之间的平衡,当α接近于1,只保留前一小时的返回率,当α接近0时,保留前几个小时的返回率。可选的,本实施例中,衰减系数α设置为0.5。
通过上述公式可以计算出前N个小时的历史平滑返回率,N的选择可根据不同广告源的情况来制定,例如,对于DSP广告竞价系统、RTB广告竞价系统以及PMP广告竞价系统来说一天内的返回率不会发生较大的变化,因此,选择前1-2个小时的返回率即可表征整体返回率的变化。而对于第三方SDK广告竞价系统来说,一天内返回率的变化差异性就很大,第三方SDK广告竞价系统会根据用户定向和第三方库存来限定返回广告的数量。因此可采用前24个小时整体的返回率来表征历史平滑返回率。
通过上述公式,即可得到每个目标竞价广告的历史平滑返回率,例如,对于DSP广告竞价系统的目标竞价广告来说,只需通过上述公式计算得到前1个小时的历史平滑返回率,即可得到该目标竞价广告的历史平滑返回率。同样的,对于其他来源的广告竞价系统,也是采用相同方式。
历史平滑返回率虽然能够很好的表征广告的返回情况,但是没有办法定向到流量和用户上,根据流量信息和用户基本信息预估是否返回广告可以有效的定向到每条流量,提高返回率计算的精准度。因此,本实施例通过预估广告的定向实时返回率来估计广告是否返回。
在可选实施方式中,混合竞价系统在接收到各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益后,混合竞价系统还用于:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行预处理以及标准化处理,得到标准化后的特征序列,并将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
其中,目标竞价广告的广告信息为广告物料素材信息,对于DSP广告竞价系统、RTB广告竞价系统以及第三方PMP广告竞价系统,目标竞价广告的广告物料素材信息从数据管理平台获取的,对于第三方SDK广告竞价系统,广告物料素材信息是在APP端请求返回的。
在本实施例中,各广告竞价系统在将目标竞价广告和目标竞价广告的目标展示收益发送至混合竞价系统的同时,也会将目标竞价广告的广告信息发送至混合竞价系统。
可选的,混合竞价系统对流量信息、用户特征信息以及每个目标竞价广告的广告信息的预处理包括信息数据的清洗,主要是去除掉异常信息数据;混合竞价系统对流量信息、用户特征信息以及每个目标竞价广告的广告信息的标准化处理包括对信息数据进行onehot编码。
在得到标准化后的特征序列后,将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个目标竞价广告的定向实时返回率。
逻辑回归(Logic Regression)模型多用于解决二分类问题,如广告是否被点击、商品是否被购买等互联网领域中常见的应用场景。但是实际场景中,又不将它处理成“绝对的”分类问题,而是用其预测值作为事件发生的概率。
逻辑回归是在线性回归的基础上加一层非线性映射,一般采用sigmoid函数,结果介于0到1之间。逻辑回归的实际上是求解特征的系数,通过减小预测结果和真实结果之间的误差,迭代更新特征的权重,求取最优解。
在可选的实施方式中,所述逻辑回归模型通过以下步骤训练得到:
获取历史请求数据,对所述历史请求数据进行预处理和标准化处理,得到标准化后的特征数据;其中,所述历史请求数据包括历史请求的用户特征信息、流量信息、所请求广告的返回信息以及广告信息。
对标准化后的特征数据进行编码,得到向量化后的特征数据。
基于Sigmoid函数对向量化后的特征数据进行概率映射,得到特征数据的返回率。
基于预设损失函数对所述特征数据的返回率以及所述返回信息的差值进行调整,直至所述差值小于预设值。
假设历史请求数据D为:yi∈0,1,其中,y是广告历史是否返回,返回(resp)编码为1,未返回(notresp)编码为0;n指的是用于训练的样本的个数。x为样本,由若干个不同的field(域)组成,如用户标识(uid),用户的性别(gender),地域(location),兴趣爱好(interest)、流量位置信息(position)、是否返回等,其表示可以如下:
x0={uid=0,gender=male,location=Beijing,interest=Shopping,position=101};x1={uid=1,gender=female,location=Shanghai,interest=Game,position=102};x2={uid=2,gender=female,location=Shanghai,interest=Game,position=101};
在本实施例中,通过onehot编码对历史请求数据进行标准化处理,若广告返回,则该广告的返回信息设定为1,未返回,返回信息设定为0。在进行one-hot编码后,可得到样本的向量化表示,即向量化的特征数据,如下所示:
x0={100 10 100 1000 100};
x1={010 01 010 0100 010};
x2={001 01 010 0100 100};
在得到向量化后的特征数据后,基于Sigmoid函数对向量化后的特征数据进行概率映射,得到特征数据的返回率。
其中,采用Sigmoid函数计算广告的实时返回率时,可直接对后验概率分布P(y=1|x;w,b)进行建模,建模公式如下:
P(y=1|x,w,b)=σ[(g(x)]
其中,x为输入向量,即向量化的特征数据;y为输出,y=1代表返回,y=0代表不返回;w为系数向量,wTx为系数向量转置乘以输入向量;σ为Sigmoid函数,n为样本数,g(x)为中间变量,b为常量。
以一具体例子进行说明,假设,当y=1的概率大于等于0.5时,判定广告返回(resp),当y=1的概率小于0.5,判定广告不返回(notresp),则有公式如下:
在通过sigmoid函数获得合法的后验概率分布后,可得:
P(y=0x;w,b)=1-P(y=1x;w,b)
为了得到返回率的最优解,可选的,在本实施例中,通过构造极大似然估计(maximum likelihood estimation,MLE)函数来指导逻辑回归模型训练,构造公式如下:
令极大似然估计函数取最大值,即可得到最优解:
w*,b*=argmax Likelihood(w,b)
为了保证数值的稳定性,对极大似然估计函数进行简化,得到:
在得到简化后的极大似然函数后,对简化后的极大似然函数进行最小化,即可得到返回率的最优解。
在得到返回率的最优解后,即可基于预设损失函数对特征数据的返回率以及返回信息的差值进行调整。可选的,在本实施例中,通过交叉熵损失函数对特征数据的返回率以及返回信息的差值进行调整,直至差值小于预设值,逻辑回归模型训练完成。
在逻辑回归模型训练完成后,即可基于逻辑回归模型得到目标竞价广告的定向实时返回率。
如图4所示,在得到每个目标竞价广告的定向实时返回率和历史平滑返回率后,则可根据每个目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个目标竞价广告的竞价调节系数。
在可选的实施方式中,所述混合竞价系统用于:
基于以下公式计算每个所述目标竞价广告的竞价调节系数:
M_factor=(SRrate+ERrate)/2;
其中,M_factor为竞价调节系数,SRrate为定向实时返回率,ERrate为历史平滑返回率。
在得到每个目标竞价广告的竞价调节系数后,根据每个目标竞价广告的竞价调节系数以及目标展示收益确定每个目标竞价广告的竞价价格。可选的,本实施例基于以下公式计算每个所述目标竞价广告的竞价价格:
M_eCPM=ECPM*M_factor;
其中,M_eCPM为竞价价格,ECPM为目标展示收益,M_factor为竞价调节系数。
在得到每个目标竞价广告的竞价价格后,对所有的目标竞价广告的竞价价格进行排序,其中竞价价格最高的目标竞价广告即为竞价成功的竞价广告。
在得到竞价成功的竞价广告后,将竞价成功的竞价广告的素材信息(创意图片地址,落地页地址)响应给供给方平台。其中,若DSP、RTB、PMP类型的任一广告竞价成功,APP则直接展示胜出的广告创意素材,若第三方SDK类型的广告竞价成功,则返回该广告的名称给供给方平台,供给方平台响应广告名称给APP,而APP在收到广告名称后,则会根据广告名称,请求胜出的第三方SDK广告源的广告素材,然后在APP端进行素材加载,渲染,展示。
在广告展示完成后,即可通过结算平台进行结算。
本实施例提供的多源广告竞价系统,通过整合各个来源的广告竞价系统,构建多源广告竞价系统,且各个来源的广告竞价系统之间相互独立,并行执行,不同源广告之间互不干扰,其中,任一来源的广告竞价系统出现问题或者没有广告返回都不会影响整个多源广告竞价系统的运行。本实施例提供的多源广告竞价系统,优于单一来源广告竞价系统,不仅提高系统的稳定性,同时提升展示广告的多样性,保证收益最大化。
本实施例提供的多源广告竞价系统,搭建各来源广告竞价系统,完善广告系统的单一模式,各来源的广告竞价系统之间互不干扰,提升广告竞价系统的并行度和负载均衡,减少库存折损。通过计算广告的返回率,保证各来源广告竞价的公平性,加大竞争力度。采用逻辑回归,极大似然等模型训练技术,提高了海量数据精准预测的能力,提升算法的精准度。通过历史时间节点计算历史平滑返回率,并引入时间衰减系数,减少因为时间推移造成的偏差,提高返回率计算的精准度。
在上述基础上,本实施例还提供一种多源广告竞价方法,应用于多源广告竞价系统,所述多源广告竞价系统包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统,所述方法包括:
所述供给方平台接收流量媒体方发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统。
各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益。
所述混合竞价系统接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告。
在可选的实施方式中,各所述广告竞价系统还包括数据管理平台和竞价平台;各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益的步骤包括:
所述数据管理平台接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益。
所述竞价平台对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
在可选的实施方式中,所述混合竞价系统根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率的步骤包括:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行预处理以及标准化处理,得到标准化后的特征序列;
将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
综上,本实施例提供的多源广告竞价系统和方法,通过整合多个来源不同的广告竞价系统,搭建多源广告竞价系统,使得混合竞价系统在接收到流量媒体方发送的流量信息、用户特征信息以及各广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益后,根据流量信息、用户特征信息以及每个目标竞价广告的广告信息,预估得到每个目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个目标竞价广告的历史平滑返回率,根据每个目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个目标竞价广告的竞价调节系数,根据每个目标竞价广告的竞价调节系数以及展示收益确定每个目标竞价广告的竞价价格,对每个目标竞价广告的竞价价格进行排序,以得到竞价成功的竞价广告,提高了广告展示的多样性,增加了竞价的公平性。
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,可轻易想到的变化或替换,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 (7)
1.一种多源广告竞价系统,其特征在于,包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统;
所述供给方平台用于接收流量媒体方发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统;
各所述广告竞价系统用于根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益;
所述混合竞价系统用于接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告;
所述混合竞价系统用于:对不同时间节点的广告请求数和返回数进行统计,并基于时间衰减通过以下公式计算每个所述目标竞价广告的历史平滑返回率:
SRratei=α*Rratei+(1-α)*SRratei-1;
所述混合竞价系统用于:基于以下公式计算每个所述目标竞价广告的竞价调节系数:
M_factor=(SRrate+ERrate)/2;
其中,M_factor为竞价调节系数,SRrate为定向实时返回率,ERrate为历史平滑返回率;
所述混合竞价系统用于:基于以下公式计算每个所述目标竞价广告的竞价价格:
M_eCPM=ECPM*M_factor;
其中,M_eCPM为竞价价格,ECPM为目标展示收益,M_factor为竞价调节系数。
2.根据权利要求1所述的多源广告竞价系统,其特征在于,各所述广告竞价系统还包括数据管理平台和竞价平台;
所述数据管理平台用于接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益;
所述竞价平台用于对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
3.根据权利要求1所述的多源广告竞价系统,其特征在于,所述混合竞价系统用于:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行信息数据的清洗并通过onehot编码对信息数据进行标准化处理,得到标准化后的特征序列;
将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
4.根据权利要求3所述的多源广告竞价系统,其特征在于,所述逻辑回归模型通过以下步骤得到:
获取历史请求数据,对所述历史请求数据进行预处理和标准化处理,得到标准化后的特征数据;其中,所述历史请求数据包括历史请求的用户特征信息、流量信息、所请求广告的返回信息以及广告信息;
对标准化后的特征数据进行编码,得到向量化后的特征数据;
基于Sigmoid函数对向量化后的特征数据进行概率映射,得到特征数据的返回率;
基于预设损失函数对所述特征数据的返回率以及所述返回信息的差值进行调整,直至所述差值小于预设值;
所述基于Sigmoid函数对向量化后的特征数据进行概率映射,得到特征数据的返回率的步骤,包括:
基于向量化后的特征数据对后验概率分布进行建模,建模公式如下:
P(y=1|x,w,b)=σ[(g(x)];
其中,x为向量化后的特征数据;y为输出,y=1代表返回,y=0代表不返回;w为系数向量,wTx为系数向量转置乘以输入向量;σ为Sigmoid函数,n为样本数,g(x)为中间变量,b为常量;
通过sigmoid函数获得合法的后验概率分布,并对所述合法的后验概率分布进行回归和预测,得到样本的返回率;
构造极大似然估计函数,并对所述极大似然估计函数进行简化得到简化后的极大似然函数;
对所述简化后的极大似然函数进行最小化,得到返回率的最优解;
所述基于预设损失函数对所述特征数据的返回率以及所述返回信息的差值进行调整,直至所述差值小于预设值的步骤,包括:
基于所述返回率的最优解,通过交叉熵损失函数对特征数据的返回率以及返回信息的差值进行调整,直至差值小于预设值。
5.一种多源广告竞价方法,其特征在于,应用于多源广告竞价系统,所述多源广告竞价系统包括混合竞价系统、供给方平台以及多个来源不同的广告竞价系统,所述方法包括:
所述供给方平台接收流量媒体方发起的广告展示请求,并将所述广告展示请求中包括的流量信息以及用户特征信息传输至各所述广告竞价系统;
各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益;
所述混合竞价系统接收所述流量媒体方传输的流量信息以及用户特征信息,并根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率,并基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率,根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数,并根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格,对每个所述目标竞价广告的竞价价格进行排序,得到竞价成功的竞价广告;
所述基于历史不同时间节点的广告请求数和返回数,统计得到每个所述目标竞价广告的历史平滑返回率的步骤,包括:
对不同时间节点的广告请求数和返回数进行统计,并基于时间衰减通过以下公式计算每个所述目标竞价广告的历史平滑返回率:
SRratei=α*Rratei+(1-α)*SRratei-1;
所述根据每个所述目标竞价广告的定向实时返回率和历史平滑返回率计算得到每个所述目标竞价广告的竞价调节系数的步骤,包括:
基于以下公式计算每个所述目标竞价广告的竞价调节系数:
M_factor=(SRrate+ERrate)/2;
其中,M_factor为竞价调节系数,SRrate为定向实时返回率,ERrate为历史平滑返回率;
所述根据每个所述目标竞价广告的竞价调节系数以及目标展示收益确定每个所述目标竞价广告的竞价价格的步骤,包括:
基于以下公式计算每个所述目标竞价广告的竞价价格:
M_eCPM=ECPM*M_factor;
其中,M_eCPM为竞价价格,ECPM为目标展示收益,M_factor为竞价调节系数。
6.根据权利要求5所述的多源广告竞价方法,其特征在于,各所述广告竞价系统还包括数据管理平台和竞价平台;各所述广告竞价系统根据所述流量信息以及用户特征信息计算得到各所述广告竞价系统的目标竞价广告和目标竞价广告的目标展示收益的步骤包括:
所述数据管理平台接收所述供给方平台传输的流量信息以及用户特征信息,并根据所述流量信息以及用户特征信息匹配得到所有的目标匹配广告以及每个所述目标匹配广告的展示收益;
所述竞价平台对所有的目标匹配广告的展示收益进行排序,得到所述目标竞价广告和目标竞价广告的目标展示收益。
7.根据权利要求5所述的多源广告竞价方法,其特征在于,所述混合竞价系统根据所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息,预估得到每个所述目标竞价广告的定向实时返回率的步骤包括:
对所述流量信息、所述用户特征信息以及每个所述目标竞价广告的广告信息进行信息数据的清洗并通过onehot编码对信息数据进行标准化处理,得到标准化后的特征序列;
将标准化后的特征序列输入至预先训练得到的逻辑回归模型中,得到每个所述目标竞价广告的定向实时返回率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160006.0A CN111401943B (zh) | 2020-03-10 | 2020-03-10 | 多源广告竞价系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160006.0A CN111401943B (zh) | 2020-03-10 | 2020-03-10 | 多源广告竞价系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401943A CN111401943A (zh) | 2020-07-10 |
CN111401943B true CN111401943B (zh) | 2022-11-01 |
Family
ID=71430623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160006.0A Active CN111401943B (zh) | 2020-03-10 | 2020-03-10 | 多源广告竞价系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401943B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516495B (zh) * | 2020-09-30 | 2024-03-08 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN116647601B (zh) * | 2023-07-26 | 2023-09-29 | 北京创智汇聚科技有限公司 | 基于填充率动态调整推广内容请求量的方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205696A (zh) * | 2015-09-11 | 2015-12-30 | 晶赞广告(上海)有限公司 | 互联网广告实时竞价多广告主多因素流量分配方法 |
CN107529654A (zh) * | 2017-08-08 | 2018-01-02 | 电子科技大学 | 一种面向展示广告竞价投放系统的动态出价方法 |
CN107657486A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 一种广告投放方法及装置 |
KR102018540B1 (ko) * | 2018-02-08 | 2019-09-05 | 주식회사 애드오피 | 헤더 비딩을 기반으로 한 광고 최적화 제공 시스템 및 방법 |
-
2020
- 2020-03-10 CN CN202010160006.0A patent/CN111401943B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111401943A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Choi et al. | Online display advertising markets: A literature review and future directions | |
US8489460B2 (en) | Method and apparatus for advertising bidding | |
US20020116313A1 (en) | Method of auctioning advertising opportunities of uncertain availability | |
US20150170221A1 (en) | Audience segment analysis | |
US20120253928A1 (en) | Methods and Apparatus for Portfolio and Demand Bucket Management Across Multiple Advertising Exchanges | |
US20150095166A1 (en) | System, method and computer program for providing qualitative ad bidding | |
US11216850B2 (en) | Predictive platform for determining incremental lift | |
US20080301033A1 (en) | Method and apparatus for optimizing long term revenues in online auctions | |
US20110071910A1 (en) | Method for routing a customer call placed in response to an advertisement | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
US20120078730A1 (en) | Automatic Internet Search Advertising Campaign Variable Optimization for Aiding Advertising Agency Efficiencies | |
CN111401943B (zh) | 多源广告竞价系统和方法 | |
WO2011146888A1 (en) | System and method for buying and selling goods and services via an online marketplace | |
Chen et al. | Combining guaranteed and spot markets in display advertising: Selling guaranteed page views with stochastic demand | |
Maillé et al. | Auctions for online ad space among advertisers sensitive to both views and clicks | |
Liu et al. | Multichannel auction strategies in online advertising with a profit model | |
Lu et al. | Targeting breadth in behaviorally targeted display advertising | |
US20160019583A1 (en) | Systems and methods for smooth and effective budget delivery in online advertising | |
Jiang | Understanding the efficiency of keywords in search engine marketing-a comparison study using data envelopment analysis | |
KR20200017318A (ko) | 인공지능 기반의 광고 키워드 관리 서버 | |
KR102489348B1 (ko) | 기업 간 유휴 불용 자산 거래 가격 예측 시스템 및 이를 실행하는 방법 | |
Sutterer et al. | Are truthful bidders paying too much? Efficiency and revenue in display ad auctions | |
Bonalumi | An online learning algorithm for real-time bidding | |
Romano | Pricing and advertising strategies in e-commerce scenarios | |
Blask | Analyzing paid search campaigns using keyword-level data and Bayesian statistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |