CN111582940B - 竞价标的识别方法及其装置、存储介质及处理器 - Google Patents
竞价标的识别方法及其装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN111582940B CN111582940B CN202010388143.XA CN202010388143A CN111582940B CN 111582940 B CN111582940 B CN 111582940B CN 202010388143 A CN202010388143 A CN 202010388143A CN 111582940 B CN111582940 B CN 111582940B
- Authority
- CN
- China
- Prior art keywords
- bid
- bidding
- yield
- predicted
- flow
- 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
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
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种竞价标的识别方法及其装置、存储介质及处理器。其中,该方法包括:确定待识别的竞价标的的竞价流量;通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的。本发明解决了相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
Description
技术领域
本发明涉及信息识别领域,具体而言,涉及一种竞价标的识别方法及其装置、存储介质及处理器。
背景技术
在互联网广告投放中,准确的曝光量预估很重要。而现在的广告投放方,如需求方平台DSP,往往通过过去较长一段时间的曝光量来预估未来的曝光。这种方法没有办法应对过去较短时间内发生的广告资源变化,比如优先购买PD。如果某个点位之前一直是通过实时竞价RTB正常竞价的,但是最近被某个其他的DSP用PD的方式购买了,这种情况下广告交易平台ADX仍然会把该广告位发给广告投放方进行竞价,但是实际的竟得率会低很多,导致预估的曝光量比实际偏高。
在互联网广告投放中,竟得率是一个重要的参考指标,广告投放方,如需求方平台(demand-side platform,DSP),需要根据历史的竟得率来调整竞价策略或者预估未来一段时间的曝光量。而优先购买(preferred deal,PD)流量的存在会使得通过正常方式进行实时竞价的竟得率远远低于正常水平,因为广告交易平台ADX虽然会把PD的流量给所有广告投放方进行竞价,但是只有PD流量的合约方放弃改流量的时候,其他广告投放方才有可能竟得该流量,否则其他广告投放方无论出价多高都不可能竟得。解决已经被优先购买的竞价标的,通过正常竞价,竞得率较低的问题的关键在于识别出PD流量。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种竞价标的识别方法及其装置、存储介质及处理器,以至少解决相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
根据本发明实施例的一个方面,提供了一种竞价标的识别方法,包括:确定待识别的竞价标的的竞价流量;通过竞得率预测模型,确定所述竞价标的的预测竞得率,其中,所述竞得率预测模型为使用多组训练数据通过机器学习训练得出的,所述多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和所述历史竞价流量的预测竞得率;根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的。
可选的,根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的包括:确定预设时间段内的所述真实竞得率和所述预测竞得率的差值;在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的。
可选的,确定预设时间段内的所述真实竞得率和所述预测竞得率的差值包括:通过下式计算所述差值L:式中,Ya,i为所述预设时间段内竞价标的a的第i条竞价流量是否竟得所述竞价标的,其中,Ya,i∈{0,1},当Ya,i=0表示第i条竞价流量未竟得所述竞价标的;当Ya,i=1表示第i条竞价流量竟得所述竞价标的;Y’a,i为所述预设时间段内竞价标的a的第i条竞价流量的预测竞得率,其中,Ya,i∈[0,1];N为所述竞价标的的竞价流量的总数量。
可选的,在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的包括:在所述差值L≥ε(0<ε<1)的情况下,识别所述竞价标的为已被优先购买的竞价标的,其中,ε为所述预设阈值。
可选的,在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的之后,还包括:发送所述竞价标的为已被优先购买PD的竞价标的的提示信息;接收是否对所述竞价标的进行竞价的指令。
可选的,通过竞得率预测模型,确定所述竞价标的的预测竞得率之前,包括:获取所述历史竞价流量的参数,以及所述竞价流量对竞价标的是否竞得的历史竞价数据,其中,所述历史竞价流量的参数包括下列至少之一:所述竞价流量的竞价标的,时间,出价,所述竞价流量采用的媒体,平台,发出所述竞价流量的设备,以及所述设备的地理位置,用户属性;建立竞得率预测模型,根据所述历史竞价数据,组成多组训练数据对所述竞得率预测模型进行训练,其中,每组训练数据包括历史竞价流量,以及所述历史竞价流量的预测竞得率。
可选的,根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的之后,还包括:在所述竞价标的完成竞价后,将所述竞价流量,以及所述竞价流量对应的预测竞得率进行存储。
根据本发明实施例的另一方面,还提供了一种竞价标的识别装置,包括:第一确定模块,用于确定待识别的竞价标的的竞价流量;第二确定模块,用于通过竞得率预测模型,确定所述竞价标的的预测竞得率,其中,所述竞得率预测模型为使用多组训练数据通过机器学习训练得出的,所述多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和所述历史竞价流量的预测竞得率;识别模块,用于根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的竞价标的识别方法。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的竞价标的识别方法。
在本发明实施例中,采用确定待识别的竞价标的的竞价流量;通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的的方式,通过竞价流量对竞得率进行预测,从而确定该竞价流量的竞价标的是否为已被优先购买PD的竞价标的,达到了对已被优先购买PD的竞价标的进行有效识别的目的,从而实现了对已被优先购买PD的竞价标的进行放弃,提高竞得率的技术效果,进而解决了相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种竞价标的识别方法的流程图;
图2是根据本发明实施方式的竞价标的识别方法的流程图;
图3是根据本发明实施例的一种竞价标的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面对本实施例中出现的专业名词进行解释:
广告位:是指在互联网广告中的实时竞价场景下,一个可以用来投放广告给用户的资源位,如网页底部的广告位、手机APP的开屏广告位等;
PD:优先购买(preferred deal),互联网广告的一种购买方式。是指在广告投放前,根据广告主的投放需求,按照固定的CPM(cost per mille,千次曝光成本)价格和固定的资源位在媒体进行下单,在广告投放过程中,当用户在访问媒体产生曝光机会时,广告交易平台将广告请求发给单个需求方,需求方可以按照自己的意愿挑选流量,且无需进行竞价。需求方挑选的流量将展示对应广告主的广告。
RTB:实时竞价(real time bidding),是指用户在访问媒体产生曝光机会时,众多家DSP根据曝光的上下文以及用户属性实时地评估曝光价值并给出报价,经过广告交易平台竞价后最终出价最高的广告主赢得此次曝光机会。
曝光:一次曝光是指一次购买广告位并展示广告给用户的行为
DSP:需求方平台,主要帮助有广告投放需求的广告主进行广告投放
ADX:广告交易平台,一个开放的、能够将媒体主和广告商联系在一起的在线广告市场(类似于股票交易所)。
根据本发明实施例,提供了一种竞价标的识别方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种竞价标的识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,确定待识别的竞价标的的竞价流量;
步骤S104,通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;
步骤S106,根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的。
通过上述步骤,采用确定待识别的竞价标的的竞价流量;通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的的方式,通过竞价流量对竞得率进行预测,从而确定该竞价流量的竞价标的是否为已被优先购买PD的竞价标的,达到了对已被优先购买PD的竞价标的进行有效识别的目的,从而实现了对已被优先购买PD的竞价标的进行放弃,提高竞得率的技术效果,进而解决了相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
上述竞价标的可以是交易平台发布的竞价标的,例如广告位,不同的用户可以通过不同的设备,或者不同的媒体,发送竞价流量,包括竞价时间和该用户的出价。确定待识别的竞价标的的竞价流量,可以是从上述交易平台截取需要进行识别的竞价流量。
上述预测竞得率模型可以是机器学习网络模型,可以包括深度学习网络,机器学习网络,卷积神经网络,上述机器学习网络模型可以包括输入层,中间层和输出层,上述中间层可以为多层。根据多组训练数据对上述机器学习网络模型进行训练,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率。
上述根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的,对已被优先购买PD的竞价标的进行放弃,对其他的竞价标的进行竞价,达到了对已被优先购买PD的竞价标的进行有效识别的目的,从而实现了提高竞得率的技术效果,进而解决了相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
可选的,根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的包括:确定预设时间段内的真实竞得率和预测竞得率的差值;在真实竞得率低于预测竞得率,且差值达到预设阈值的情况下,识别竞价标的为已被优先购买PD的竞价标的。
上述真实竞得率低于预测竞得率,说明竞价标的有可能实在已被优先购买的情况下,进行竞价,导致真实竞得率低于预测竞得率,也即是说明该竞价流量的竞价标的可能已被优先购买。上述差值达到预设阈值的情况下,也即是真实竞得率低于预测竞得率到预设预知的情况下,说明真实竞得率远小于预测竞得率,可以确定该竞价标的已被优先购买。
在本实施例中,具体的,确定预设时间段内的真实竞得率和预测竞得率的差值包括:通过下式计算差值L:式中,Ya,i为预设时间段内竞价标的a的第i条竞价流量是否竟得竞价标的,其中,Ya,i∈{0,1},当Ya,i=0表示第i条竞价流量未竟得竞价标的;当Ya,i=1表示第i条竞价流量竟得竞价标的;Y’a,i为预设时间段内竞价标的a的第i条竞价流量的预测竞得率,其中,Ya,i∈[0,1];N为竞价标的的竞价流量的总数量。
在真实竞得率低于预测竞得率,且差值达到预设阈值的情况下,识别竞价标的为已被优先购买PD的竞价标的包括:在差值L≥ε(0<ε<1)的情况下,识别竞价标的为已被优先购买的竞价标的,其中,ε为预设阈值。从而准确有效的确定预设时间段内的真实竞得率和预测竞得率的差值,进而提高了竞价标的识别的准确性。
可选的,在真实竞得率低于预测竞得率,且差值达到预设阈值的情况下,识别竞价标的为已被优先购买PD的竞价标的之后,还包括:发送竞价标的为已被优先购买PD的竞价标的的提示信息;接收是否对竞价标的进行竞价的指令。
上述发送竞价标的为已被优先购买PD的竞价标的的提示信息,可以是向竞价流量的设备发送,从而通过竞价流量的设备通知用户该竞价标的已被优先购买,由用户根据需求确定是否对上述纪念标的继续进行竞价,并通过上述竞价流量的设备发送是否对竞价标的进行竞价的指令。
可选的,通过竞得率预测模型,确定竞价标的的预测竞得率之前,包括:获取历史竞价流量的参数,以及竞价流量对竞价标的是否竞得的历史竞价数据,其中,历史竞价流量的参数包括下列至少之一:竞价流量的竞价标的,时间,出价,竞价流量采用的媒体,平台,发出竞价流量的设备,以及设备的地理位置,用户属性;建立竞得率预测模型,根据历史竞价数据,组成多组训练数据对竞得率预测模型进行训练,其中,每组训练数据包括历史竞价流量,以及历史竞价流量的预测竞得率。
通过上述竞价流量的参数从多个方面多个角度对竞得率进行预测,进而提高了竞得率预测模型的准确率,进而提高了竞价标的识别的准确率。
可选的,根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的之后,还包括:在竞价标的完成竞价后,将竞价流量,以及竞价流量对应的预测竞得率进行存储。更新存储的历史竞价数据,保证了历史竞价数据的有效性和准确性,为之后的竞价标的的识别提供有效的数据基础。
需要说明的是,本实施例还提供了一种可选的实施方式,下面对该实施方式进行详细说明。
本实施方式提供了一种识别已被优先购买PD的广告位的方法,将已经被PD的广告位准确、实时地识别出来。
图2是根据本发明实施方式的竞价标的识别方法的流程图,如图2所示,具体步骤如下:
1、建立流量的竟得率预估模型。采样历史竞价数据,取广告位、媒体、平台、设备、地理位置、用户属性、时间和出价等特征,用是否最终竟得标记正负样本,构造训练数据,利用机器学习方法建立模型。
2、在每次完成竞价之后,利用竟得率预估模型计算此包含广告位信息的流量的预估竟得率,并存储。
3、对于每个广告位,计算最近T时间内(如1小时)预估竟得率和真实竟得率的差值,令Ya,i表示T时间内广告位a的第i条流量是否竟得,Ya,i∈{0,1},Y’a,i表示T时间内广告位a的第i条流量的预估竟得率,Y’a,i∈[0,1],则差值:
当L>=ε(0<ε<1)时,说明在最近的T时间内该点位的竟得率低于预估值并且超过警戒阈值ε,判定该广告位为PD广告位。
本实施方式利用机器学习模型预估流量的竟得率;利用真实竟得率和预估竟得率的差值来判断点位是否为PD点位。
图3是根据本发明实施例的一种竞价标的识别装置的示意图,如图3所示,根据本发明实施例的另一方面,还提供了一种竞价标的识别装置,包括:第一确定模块32,第二确定模块34和识别模块36,下面对该装置进行详细说明。
第一确定模块32,用于确定待识别的竞价标的的竞价流量;第二确定模块34,与上述第一确定模块32相连,用于通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;识别模块36,与上述第二确定模块34相连,用于根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的。
通过上述装置,采用第一确定模块32确定待识别的竞价标的的竞价流量;第二确定模块34通过竞得率预测模型,确定竞价标的的预测竞得率,其中,竞得率预测模型为使用多组训练数据通过机器学习训练得出的,多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和历史竞价流量的预测竞得率;识别模块36根据预测竞得率和竞价标的的真实竞得率,识别竞价标的是否为已被优先购买PD的竞价标的的方式,通过竞价流量对竞得率进行预测,从而确定该竞价流量的竞价标的是否为已被优先购买PD的竞价标的,达到了对已被优先购买PD的竞价标的进行有效识别的目的,从而实现了对已被优先购买PD的竞价标的进行放弃,提高竞得率的技术效果,进而解决了相关技术中已经被优先购买的竞价标的,通过正常竞价,竞得率较低的技术问题。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述中任意一项的竞价标的识别方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的竞价标的识别方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种竞价标的识别方法,其特征在于,包括:
确定待识别的竞价标的的竞价流量,其中,所述竞价流量是通过不同的设备或者不同的媒体发送的,所述竞价流量包括:竞价时间和出价;
基于所述竞价流量通过竞得率预测模型,确定所述竞价标的的预测竞得率,其中,所述竞得率预测模型为使用多组训练数据通过机器学习训练得出的,所述多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和所述历史竞价流量的预测竞得率;
根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的,包括:确定预设时间段内的所述真实竞得率和所述预测竞得率的差值;在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的。
2.根据权利要求1所述的方法,其特征在于,确定预设时间段内的所述真实竞得率和所述预测竞得率的差值包括:
通过下式计算所述差值L:
式中,Ya,i为所述预设时间段内竞价标的a的第i条竞价流量是否竟得所述竞价标的,其中,Ya,i∈{0,1},当Ya,i=0表示第i条竞价流量未竟得所述竞价标的;当Ya,i=1表示第i条竞价流量竟得所述竞价标的;Y’a,i为所述预设时间段内竞价标的a的第i条竞价流量的预测竞得率,其中,Ya,i∈[0,1];N为所述竞价标的的竞价流量的总数量。
3.根据权利要求2所述的方法,其特征在于,在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的包括:
在所述差值L≥ε(0<ε<1)的情况下,识别所述竞价标的为已被优先购买的竞价标的,其中,ε为所述预设阈值。
4.根据权利要求1所述的方法,其特征在于,在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的之后,还包括:
发送所述竞价标的为已被优先购买PD的竞价标的的提示信息;
接收是否对所述竞价标的进行竞价的指令。
5.根据权利要求1所述的方法,其特征在于,通过竞得率预测模型,确定所述竞价标的的预测竞得率之前,包括:
获取所述历史竞价流量的参数,以及所述竞价流量对竞价标的是否竞得的历史竞价数据,其中,所述历史竞价流量的参数包括下列至少之一:所述竞价流量的竞价标的,时间,出价,所述竞价流量采用的媒体,平台,发出所述竞价流量的设备,以及所述设备的地理位置,用户属性;
建立竞得率预测模型,根据所述历史竞价数据,组成多组训练数据对所述竞得率预测模型进行训练,其中,每组训练数据包括历史竞价流量,以及所述历史竞价流量的预测竞得率。
6.根据权利要求1所述的方法,其特征在于,根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的之后,还包括:
在所述竞价标的完成竞价后,将所述竞价流量,以及所述竞价流量对应的预测竞得率进行存储。
7.一种竞价标的识别装置,其特征在于,包括:
第一确定模块,用于确定待识别的竞价标的的竞价流量,其中,所述竞价流量是通过不同的设备或者不同的媒体发送的,所述竞价流量包括:竞价时间和出价;
第二确定模块,用于基于所述竞价流量通过竞得率预测模型,确定所述竞价标的的预测竞得率,其中,所述竞得率预测模型为使用多组训练数据通过机器学习训练得出的,所述多组训练数据中的每组训练数据均包括:竞价标的的历史竞价流量和所述历史竞价流量的预测竞得率;
识别模块,用于根据所述预测竞得率和所述竞价标的的真实竞得率,识别所述竞价标的是否为已被优先购买PD的竞价标的,包括:确定预设时间段内的所述真实竞得率和所述预测竞得率的差值;在所述真实竞得率低于所述预测竞得率,且所述差值达到预设阈值的情况下,识别所述竞价标的为已被优先购买PD的竞价标的。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的竞价标的识别方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的竞价标的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388143.XA CN111582940B (zh) | 2020-05-09 | 2020-05-09 | 竞价标的识别方法及其装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388143.XA CN111582940B (zh) | 2020-05-09 | 2020-05-09 | 竞价标的识别方法及其装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582940A CN111582940A (zh) | 2020-08-25 |
CN111582940B true CN111582940B (zh) | 2023-10-10 |
Family
ID=72124776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388143.XA Active CN111582940B (zh) | 2020-05-09 | 2020-05-09 | 竞价标的识别方法及其装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022108073A1 (ko) * | 2020-11-20 | 2022-05-27 | 삼성전자주식회사 | 서버 및 그의 제어 방법 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014149608A1 (en) * | 2013-03-15 | 2014-09-25 | Dataxu, Inc. | Methods and systems for using consumer aliases and identifiers |
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 |
CN105741133A (zh) * | 2016-01-26 | 2016-07-06 | 电子科技大学 | 一种针对在线广告投放的步进管理方法 |
CN108009879A (zh) * | 2017-11-27 | 2018-05-08 | 武汉万般上品信息技术有限公司 | 一种基于竞价模式升舱的方法及系统 |
CN109359764A (zh) * | 2018-09-06 | 2019-02-19 | 上海晶赞融宣科技有限公司 | Rtb出价方法及装置、存储介质、终端 |
CN109886736A (zh) * | 2019-01-28 | 2019-06-14 | 上海晶赞融宣科技有限公司 | 用于dsp平台的预算数据处理方法及装置、存储介质、终端 |
CN110070386A (zh) * | 2019-03-13 | 2019-07-30 | 北京品友互动信息技术股份公司 | 确定流量价值和广告出价的方法及装置 |
CN110533479A (zh) * | 2019-09-04 | 2019-12-03 | 北京深演智能科技股份有限公司 | 一种标识分配方法、装置及电子设备 |
-
2020
- 2020-05-09 CN CN202010388143.XA patent/CN111582940B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014149608A1 (en) * | 2013-03-15 | 2014-09-25 | Dataxu, Inc. | Methods and systems for using consumer aliases and identifiers |
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 |
CN105741133A (zh) * | 2016-01-26 | 2016-07-06 | 电子科技大学 | 一种针对在线广告投放的步进管理方法 |
CN108009879A (zh) * | 2017-11-27 | 2018-05-08 | 武汉万般上品信息技术有限公司 | 一种基于竞价模式升舱的方法及系统 |
CN109359764A (zh) * | 2018-09-06 | 2019-02-19 | 上海晶赞融宣科技有限公司 | Rtb出价方法及装置、存储介质、终端 |
CN109886736A (zh) * | 2019-01-28 | 2019-06-14 | 上海晶赞融宣科技有限公司 | 用于dsp平台的预算数据处理方法及装置、存储介质、终端 |
CN110070386A (zh) * | 2019-03-13 | 2019-07-30 | 北京品友互动信息技术股份公司 | 确定流量价值和广告出价的方法及装置 |
CN110533479A (zh) * | 2019-09-04 | 2019-12-03 | 北京深演智能科技股份有限公司 | 一种标识分配方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
一种基于多Agent系统的在线广告竞价模型;张文明等;《计算机应用与软件》;20170215(第02期);第139-147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582940A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9129313B1 (en) | System and method for optimizing real-time bidding on online advertisement placements utilizing mixed probability methods | |
US20160379244A1 (en) | Method and system for forecasting a campaign performance using predictive modeling | |
US10157387B2 (en) | Method and system for establishing a reserve price for a publisher's ad space inventory offered via a real-time bidding market | |
AU2011336736B2 (en) | Networked advertisement exchange | |
CN110070386A (zh) | 确定流量价值和广告出价的方法及装置 | |
US20130097028A1 (en) | Dynamic Floor Pricing for Managing Exchange Monetization | |
US20060122879A1 (en) | Method and system for pricing electronic advertisements | |
KR20070038753A (ko) | 광고 영역별 입찰에 따른 인터넷 광고 시스템 및 그 제어방법 | |
CN101611420A (zh) | 用于每一单独广告印象的拍卖 | |
US20080301033A1 (en) | Method and apparatus for optimizing long term revenues in online auctions | |
US20160379243A1 (en) | Method and system for forecasting a campaign performance using predictive modeling | |
US9842354B2 (en) | Simulator for a real-time bidding system | |
WO2018121245A1 (zh) | 一种超投控制方法、装置和设备 | |
WO2011094058A2 (en) | Placeholder bids in online advertising | |
CN110969490A (zh) | 一种广告投放方法和装置 | |
KR20170064116A (ko) | 위치기반 광고 방법 및 이를 위한 시스템 | |
US20150356631A1 (en) | Segment-based floors for use in online ad auctioning techniques | |
US20200098015A1 (en) | Methods for determining targeting parameters and bids for online ad distribution | |
US11127050B2 (en) | Artificial intelligence techniques for bid optimization used for generating dynamic online content | |
CN111582940B (zh) | 竞价标的识别方法及其装置、存储介质及处理器 | |
US20170186047A1 (en) | Optimization of audience groups in online advertising bidding | |
TWI674544B (zh) | 智能產品行銷方法及系統 | |
US20090259517A1 (en) | Commission-based and arbitrage-based targeting | |
KR102517905B1 (ko) | 트래픽 처리 속도 성능 개선을 위한 인공지능 기반 애드 익스체인지 플랫폼 프로세스 처리 방법, 장치 및 시스템 | |
US20140310094A1 (en) | Advertising optimization for mobile telephony |
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 |