CN111667312A

CN111667312A - 一种广告投放的方法、相关装置、设备以及存储介质

Info

Publication number: CN111667312A
Application number: CN202010512063.0A
Authority: CN
Inventors: 孙栋衡
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-06-08
Filing date: 2020-06-08
Publication date: 2020-09-15

Abstract

本申请公开了一种应用于人工智能领域的广告投放方法，该方法还可应用云技术实现如下步骤：获取P个广告在历史时间段内的及目标广告在历史时间段内的回流转化数信息；根据回流比例信息确定先验分布的先验分布参数；基于先验分布参数及回流转化数信息，通过后验分布确定目标广告在目标时间段的目标回流比例；根据目标回流比例及回流转化数信息，确定目标广告的预估转化数；根据预估转化数确定目标广告在P个广告中的排序结果；若根据排序结果确定目标广告满足广告投放条件，则投放目标广告。本申请还提供相关装置、设备及存储介质。本申请能够计算得到更准确的回流比例，提升预估转化数的准确度，增加广告排序的准确度，提升广告投放效果。

Description

一种广告投放的方法、相关装置、设备以及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及一种广告投放的方法、相关装置、设备以及存储介质。

背景技术

随着数字媒体技术的飞速发展，各种形式的广告可以通过数字媒体触达用户，对企业来说，广告可以触达潜在用户而获得即时或未来的收益。因此，企业不断提高在广告方面的投入，但是如何更好地将所投入的广告转化变现是一个值得深究的问题。

在广告投放之前往往需要关注投放成本，目前，在优化广告排序的过程中，可基于回流转化数以及回流比例确定预估转化数，再根据预估转化数确定成本达成调节系数，然后通过成本达成调节系数对广告进行排序，最后优先投放排序靠前的广告。

不同时间段内的回流比例可能不同，因此，只能根据一段时间内的统计情况估计回流比例。然而，对于低频广告而言，其对应的转化数较少，即细粒度信息过于稀疏，这并不符合大数定律，由此导致估计得到的回流比例与实际的回流比例之间存在较大偏差，造成广告排序不够精确，降低了广告投放效果。

发明内容

本申请实施例提供了一种广告投放的方法、相关装置、设备以及存储介质，充分考虑到粗粒度信息与细粒度信息之间的依赖关系，即使细粒度信息稀疏，也能够计算更加贴近真实情况的目标回流比例，从而提升预估转化数的准确度，有利于增加广告排序的准确度，提升广告投放效果。

有鉴于此，本申请一方面提供一种广告投放的方法，包括：

获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，其中，P个广告至少包括目标广告，且P个广告均对应于相同的广告主标识，P为大于或等于1的整数；

根据回流比例信息确定先验分布所对应的先验分布参数；

基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，其中，目标时间段属于历史时间段内的一个时间段；

根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数；

根据预估转化数确定目标广告在P个广告中的排序结果；

若根据排序结果确定目标广告满足广告投放条件，则投放目标广告。

本申请另一方面提供一种广告投放装置，包括：

获取模块，用于获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，其中，P个广告至少包括目标广告，且P个广告均对应于相同的广告主标识，P为大于或等于1的整数；

确定模块，用于根据回流比例信息确定先验分布所对应的先验分布参数；

确定模块，还用于基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，其中，目标时间段属于历史时间段内的一个时间段；

确定模块，还用于根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数；

确定模块，还用于根据预估转化数确定目标广告在P个广告中的排序结果；

投放模块，用于若根据排序结果确定目标广告满足广告投放条件，则投放目标广告。

在一种可能的设计中，在本申请实施例的另一方面的一种实现方式中，

获取模块，具体用于获取P个广告在历史时间段内所对应的回流比例信息，其中，历史时间段包括N个时间段，回流比例信息包括N个回流比例，回流比例与时间段具有对应关系，N为大于或等于1的整数；

获取目标广告在历史时间段内所对应的回流转化数信息，其中，回流转化数信息包括N个回流转化数，回流转化数与时间段具有对应关系，N个回流转化数；

其中，目标广告为低频广告或非低频广告，低频广告为N个回流转化数之和小于或等于回流转化数阈值的广告，非低频广告为N个回流转化数之和大于回流转化数阈值的广告。

在一种可能的设计中，在本申请实施例的另一方面的一种实现方式中，先验分布为第一beta分布；

确定模块，具体用于根据回流比例信息计算得到平均值以及方差；

根据平均值和方差确定先验分布参数中的第一先验参数；

根据平均值和方差确定先验分布参数中的第二先验参数，其中，第二先验参数与第一先验分布参数属于第一beta分布所对应的先验分布参数。

确定模块，具体用于根据回流转化数信息确定二项式分布；

根据二项式分布以及第一beta分布，确定后验分布所对应的贝叶斯估计公式；

基于先验分布参数以及回流转化数信息，通过贝叶斯估计公式确定目标广告在目标时间段所对应的目标回流比例。

确定模块，具体用于根据二项式分布以及第一beta分布确定第二beta分布，其中，第一beta分布属于先验分布，第二beta分布属于后验分布；

根据第二beta分布确定贝叶斯估计公式。

确定模块，具体用于获取目标广告在目标时间段所对应的目标回流转化数，其中，目标回流转化数属于回流转化数信息中的一个回流转化数；

基于第一先验参数、第二先验参数以及目标回流转化数，通过贝叶斯估计公式计算得到目标广告在目标时间段所对应的目标回流比例。

在一种可能的设计中，在本申请实施例的另一方面的一种实现方式中，先验分布为第一狄利克雷分布；

根据平均值和方差确定先验分布参数中的N个先验参数，其中，N个先验参数属于第一狄利克雷分布所对应的先验分布参数，N为大于或等于1的整数。

确定模块，具体用于根据回流转化数信息确定多项式分布；

根据多项式分布以及第一狄利克雷分布，确定后验分布所对应的贝叶斯估计公式；

确定模块，具体用于根据多项式分布以及第一狄利克雷分布确定第二狄利克雷分布，其中，第一狄利克雷分布属于先验分布；

根据第二狄利克雷分布确定贝叶斯估计公式。

基于N个先验参数以及目标回流转化数，通过贝叶斯估计公式计算得到目标广告在目标时间段所对应的目标回流比例。

确定模块，具体用于根据预估转化数确定目标广告所对应的未来成本达成调节系数；

根据目标广告所对应的未来成本达成调节系数，确定目标广告所对应的千次展示收益；

获取P个广告中每个待投放广告所对应的千次展示收益，其中，每个待投放广告所对应的千次展示收益为根据每个待投放广告所对应的未来成本达成调节系数确定的；

对目标广告所对应的千次展示收益以及每个待投放广告所对应的千次展示收益进行排序，得到目标广告在P个广告中的排序结果。

在一种可能的设计中，在本申请实施例的另一方面的一种实现方式中，广告投放装置还包括推送模块以及接收模块；

推送模块，用于向客户端推送目标广告在P个广告中的排序结果；

接收模块，用于接收客户端发送的广告投放选择指令，其中，广告投放选择指令携带至少Q个广告标识，其中，Q为大于或等于1，且小于或等于P的整数；

确定模块，还用于若Q个广告标识包括目标广告所对应的广告标识，则确定目标广告满足广告投放条件。

本申请另一方面提供一种计算机设备，包括：存储器、收发器、处理器以及总线系统；

其中，存储器用于存储程序；

处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面所述的方法；

总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。

本申请另一方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请提供了一种广告投放的方法，首先获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，然后根据回流比例信息确定先验分布所对应的先验分布参数，再基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数，最后根据预估转化数确定目标广告在P个广告中的排序结果，如果根据排序结果确定目标广告满足广告投放条件，那么可投放该目标广告。通过上述方式，将同一个广告主在历史时间段内统计得到的回流比例信息作为构建先验概率的依据，该回流比例信息属于粗粒度信息，将目标广告的回流转化数信息作为样本信息，该信息属于细粒度。基于贝叶斯定理，可根据先验概率以及样本信息推导出后验分布，进而基于后验分布确定目标广告的目标回流比例，由此，引入粗粒度信息作为先验知识，充分考虑到粗粒度信息与细粒度信息之间的依赖关系，即使细粒度信息稀疏，也能够计算更加贴近真实情况的目标回流比例，从而提升预估转化数的准确度，有利于增加广告排序的准确度，提升广告投放效果。

附图说明

图1为本申请实施例中基于转化延时的一个示意图；

图2为本申请实施例中基于上报转化数以及回流比例确定预估转化数的一个示意图；

图3为本申请实施例中粗粒度信息与细粒度信息之间关系的一个示意图；

图4为本申请实施例中目标成本与当前成本之间的一个关系示意图；

图5为本申请实施例中广告投放系统的一个交互环境示意图；

图6为本申请实施例中广告系统的一个架构示意图；

图7为本申请实施例中广告投放方法的一个实施例示意图；

图8为本申请实施例中调整目标广告排序的一个实施例示意图；

图9为本申请实施例中历史时间段内N个时间段对应回流比例的一个示意；

图10为本申请实施例中基于第一beta分布的一个后验概率密度示意图；

图11为本申请实施例中推送目标广告排序结果的一个界面示意图；

图12为本申请实施例中触发广告投放选择指令的一个界面示意图；

图13为本申请实施例中广告投放装置的一个实施例示意图；

图14为本申请实施例中计算机设备的一个结构示意图。

具体实施方式

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如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“对应于”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。

应理解，本申请提供了一种基于人工智能(Artificial Intelligence，AI)技术的广告投放方法，该方法适用于网站的在线广告投放，例如，在搜索引擎上、信息流产品中、视频网站上以及电视中进行广告投放等。AI技术力图为广告主提供智能化的营销策略，如何推送用户感兴趣的广告，将用户最可能购买的商品(高转化率)放在顶端位置是关键的问题，由此不仅可以极大的提升企业的利润，也可以在一定程度上提升用户粘性。本申请提供的广告投放方法能够向用户精准推荐广告，使得广告的投放更加精准地触及人群，实现更加节约成本和更加高效的营销。

可以理解的是，AI利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，AI是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。AI也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。其中，AI技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。AI基础技术一般包括如传感器、专用AI芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。AI软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请涉及到较多的专业术语，为了更好地理解本申请，下面将分别对这些专业术语进行介绍。

1、优化行为出价(Optimized Cost per Action，oCPA)：广告主选定优化的目标后出价，同时回传转化效果数据，经过预估后使得出价和实际转化成本达到平衡。其中，优化的行为包含但不仅限于激活、注册以及下单等，oCPA本质上还是按照每次行动成本(Costper Action，CPA)进行付费。

2、优化点击付费(Optimized Cost per Click，oCPC)：采取转化率预估机制，提供给广告主优质流量并且保证转化率，在广告主出价的基础上，系统会基于多维度、实时反馈和历史积累的数据，并根据预估的转化率和竞争环境进行动态调整出价，进而优化广告的排序，帮助广告主找到合适的流量，降低转化成本。oCPC本质上还是按照每点击成本(Costper Click，CPC)进行付费。

3、优化千次展现出价(Optimized Cost per Mille，oCPM)：采用更加精准的点击率和转化率预估机制，将广告展现给适合该广告并且容易转化的用户，提升广告的转化率并降低转化成本。oCPM本质上还是按照千人成本(Cost per Mille，CPM)进行付费。

4、实时调价算法，表示通过成本达成调节系数调节线上出价，从而达到控制成本目的算法。

5、成本达成调节系数：在线上的oCPA竞价排序公式中，存在一个成本达成调节系数，可以调节出价，从而控制成本的目的。

6、转化回流：广告主把转化回传至后台，其中，“转化”表示受网络广告影响而发生购买、注册或信息需求行为。

7、转化延时：从用户点击广告到广告系统得知用户进行应用激活通常会有较长的时间间隔，主要由以下两方面原因导致，一方面，用户可能在下载应用后过了很久才启动该应用，另一方面，用户启动应用的行为需要广告主上报并回传给广告系统，因此会有一定的延时。为了便于介绍，请参阅图1，图1为本申请实施例中基于转化延时的一个示意图，如图所示，从广告曝光到点击广告通常仅需几秒或者几分钟，从点击广告到下载该广告对应的应用只需要几秒，从点击广告到按照该广告对应的应用需要几分钟。然而，从点击广告到在该广告对应的应用中付费通常需要几天的时间，因此，在点击操作发生后，转化回流会有较长的时间延时。

8、回流转化数：是一个随机变量，表示已经回流的转化数。

9、回流比例(ratio)：表示一段时间内回流转化数占总转化数的比例，本申请中，将待估计的总转化数称为预估转化数(conv_h)。

10、首日回流比例：表示第一天内回流转化数占总转化数的比例。

11、预估转化数(conv_h)：即待估计的总转化数，在使用回流转化数以及回流比例确定预估转化数的过程中，需要预估一个回流比例，为了便于介绍，请参阅图2，图2为本申请实施例中基于回流转化数以及回流比例确定预估转化数的一个示意图，如图所示，根据15个小时内的已回流转化和未回流转化估计得到回流比例(ratio)，可采用如下方式计算预估转化数(conv_h)：

然而，回流比例(ratio)与真实回流比例

之间具有一定误差，因此，预估转化数(conv_h)也与实际转化数

之间具有一定误差。

12、转化回流窗口：通常情况下，将转化回流窗口设置为5天，即转化回流的时间为5天，大于5天的回流转化数将不再使用。需要说明的是，还可以根据实际需求调整转化回流窗口的大小，即调整转化回流的时间，本申请不做限定。

13、粗粒度信息：通常包括同一个广告主投放的所有广告的回流转化数和总转化数，可以表示为广告主*商品标识，其中，“*”表示排列组合，为了便于说明，图3为本申请实施例中粗粒度信息与细粒度信息之间关系的一个示意图，如图所示，同一个广告主通常有多个商品需要通过广告进行宣传，每个商品具有一个对应的商品标识，例如，商品A的标识为1，商品B的标识为2，商品与广告的关系可以是一对一，也可以是一对多，例如，商品A通过广告A宣传，同时，商品A还通过广告B宣传，但是一个广告通常仅对应一件商品。图3中的广告A和广告B均属于相同广告主投放的广告，假设该广告主有两件商品，分别为商品1以及商品2，基于此，广告主*商品标识的结果包括四种情况，分别为商品1+广告A，商品1+广告B，商品2+广告A，商品2+广告B，这四种情况下的回流比例理论行应该是接近的。

14、细粒度信息：表示同一个广告主投放的某一个广告的回流转化数和总转化数，为了便于说明，请参阅表1，表1为基于相同广告主对应的粗粒度信息和细粒度信息的一个示意。

表1

	首日回流转化数	总转化数	首日回流比例
				广告A	1	2	50％
广告B	2	2	100％
				广告主*商品标识	300	1000	30％

由表1可见，对应粗粒度信息而言，在首日内能够获取到较为充分的数据，对于细粒度信息而言(例如，广告A或广告B)而言，首日内获取到数据较为稀疏。

15、低频广告：表示在历史时间段内回流转化数较少的广告，具体地，如果在历史时间段内，某个广告的回流转化数小于或等于回流转化数阈值，那么该广告为低频广告。需要说明的是，历史时间段可以是24小时，也可以是5天，还可以是其他时间长度，回流转化数阈值可以是10，也可以是15，还可以是其他数值，本申请以历史时间段为24小时，且回流转化数阈值为10为例进行介绍，然而这不应理解为本申请的限定。由于低频广告的回流转化数少，不符合大数定律，因此，估计得到的回流比例偏差更大。

16、非低频广告：表示在历史时间段内回流转化数较多的广告，具体地，如果在历史时间段内，某个广告的回流转化数大于回流转化数阈值，那么该广告为非低频广告。需要说明的是，历史时间段可以是24小时，也可以是5天，还可以是其他时间长度，回流转化数阈值可以是10，也可以是15，还可以是其他数值，本申请以历史时间段为24小时，且回流转化数阈值为10为例进行介绍，然而这不应理解为本申请的限定。由于非低频广告的回流转化数较多，符合大数定律，因此，估计得到的回流比例相比于根据低频广告估计的回流比例而言更准确。

基于上述介绍，为了更好地理解本申请的应用背景，下面将详细介绍与本申请相关的应用背景。

应理解，对于对媒体方而言，一方面追求平台产品的长期体验，另一方面追求流量效益的最大化。媒体广告总收益的公式为：

总收益＝广告总流量×流量填充率×每次曝光价格；

其中，每次曝光价格即为千次展示收益(effective cost per mile，eCPM)。流量填充率是指在一段时间内广告展示数(或称广告曝光数)与广告展示机会数(或广告请求数)的比率。流量填充率＝广告展示数/广告展示机会数×100％。

如果广告主期望效果最大化，则最直接的优化策略是，采用最低的流量价格(即eCPM)获取足够多且足够好的转化量。以CPM计费模式、CPC计费模式、CPA计费模式以及oCPA计费模式为例，下面将介绍在不同计费模式下计算eCPM的方式。

请参阅表2，表2为不同计费模式下计算eCPM的一个示意。

表2

基于表2所示的内容，“出价”表示广告主为广告每个点击出的价格，“计费”表示一个广告被点击后，最终的扣费方式，其中，“曝光”表示用户访问一个媒体网站，媒体展现广告，用户每看到一次就曝光一次。“点击”表示广告曝光后用户点击一次。“转化”表示用户指受网络广告影响而发生的激活、购买以及注册等行为。“目标相关度”表示如果广告主的目标是获取转化，而广告的投放机制是保证转化，则目标相关度高，如果广告的投放机制是保证点击或者其他类型，则目标相关度不高。“转化成本控制”表示控制转化的成本。“收益稳定度”表示流量方(或媒体方)获得收益的稳定程度。

流量方(或媒体方)可以理解为网站或者应用，例如，某个资讯类应用(application，APP)属于流量方(或媒体方)。广告主则是获取定向业务的企业，例如，某款游戏的广告主目标是获取游戏用户，所以需要在网站或应用上投放游戏广告，让用户下载游戏。

在CPM计费模式下，流量方(或媒体方))收益可以得到保证，而广告主的转化成本不可控。在CPC计费模式下，用户无法优化转化成本，没有表达自己真实目标的途径，缺乏有效的优化手段，因此，需要根据目标转化成本估算点击出价，不仅无法针对不同流量精细化出价，而且转化成本不可控。而在CPA计费模式下，媒体方(或流量方)承担pCVR和广告点击率预测(Predict Click-Through Rate，pCTR)预估误差带来的收益风险，以及转化作弊带来的风险。在这个情况下，oCPA、oCPC以及oCPM应运而生，下面将以oCPA计费模式为例进行介绍。

计费模式oCPA的竞价排序公式中，智能出价(SmartBid)＝目标成本(TagetCPA)×计费比系数×成本达成调节系数，其中，目标成本(TagetCPA)表示广告主愿意支付的成本，计费比系数表示点击后实际扣费与目标成本(TagetCPA)之间的比值。基于此，CPM计费模式的eCPM计算方式如下：

eCPM＝(TagetCPA×计费比系数×成本达成调节系数)×(pCVR×pCVR修正系数)×pCTR；

其中，pCVR修正系数是根据历史数据对pCVR进行修正，从而使得pCVR更准确。由于广告主的目标是控制广告的转化成本，因此，为了达到控制成本的目的，在oCPA竞价排序公式中增加了一个成本达成调节系数，该成本达成调节系数愿意调节出价，从而控制广告的消耗和成本。

为了便于说明，请参阅图4，图4为本申请实施例中目标成本与当前成本之间的一个关系示意图，如图所示，广告主先设定一个目标成本(TagetCPA)，假设当前处于t时刻，从0时刻至t时刻都可以作为历史时间段，也可以将其中若干天或者若干小时作为历史时间段，在历史时间段内可以获取到已知量，这里的已知量包括历史时间段对应的历史累计消耗(cost_h)、历史时间段对应的历史累计转化数(conv_h)以及历史时间段对应的历史成本达成调节系数(λ_h)。而从t时刻至24点均属于未来时间段，在未来时间段内可以预估未知量，这里的未知量包括从t时刻至24点的未来累计消耗(cost_e)、从t时刻至24点的未来累计转化数(conv_e)以及未来成本达成调节系数(λ_e)。

对于未来累计消耗(cost_e)而言，可以采用如下方式进行估计：

1、消耗和成本达成调节系数(λ)存在函数式，可基于数据进行拟合，即：

其中，cost_{h_1.0}表示在历史时间段内如果不调价所对应的消耗，不调价的情况下，历史成本达成调节系数(λ_h)＝1。

2、不调价消耗占比随时间存在函数式，基于大盘数据进行拟合，即：

其中，cost_{e_1.0}表示在未来时间段内如果不调价所对应的消耗。

3、给定未来成本达成调节系数(λ_e)，即可计算未来累计消耗(cost_e)：

由此得到待求解的变量，即未来成本达成调节系数(λ_e)的函数。

对于未来累计转化数(conv_e)而言，可以采用如下方式进行估计：

1、在未来成本估计中，假设平均转化成本(CPA_1.0)和成本达成调节系数(λ)存在函数式，基于大盘数据近似得到：

其中，图4所示的当前成本即为CPA_h，CPA_h等于历史累计消耗(cost_h)与历史累计转化数(conv_h)的比值。在t时刻，当前成本(CPA_h)和目标成本(TagetCPA)之间存在一定的成本偏差，而在未来时间段内，预估成本可能与实际成本之间会有较大误差，其中，预估成本等于未来累计消耗(cost_e)除以未来累计转化数(conv_e)。

2、在未来转化估计中，基于未来累计消耗(cost_e)以及未来每次行动成本(CPA_e)，可以得到如下式子：

基于此，在控制成本的策略原理中，初始问题是根据优化目标来求解未来成本达成调节系数(λ_e)，而优化目标是最终成本接近目标成本(TagetCPA)，即：

因此，终极问题就是如何估计未来成本达成调节系数(λ_e)。将未来累计消耗(cost_e)和未来累计转化数(conv)代入优化目标，可以求解如下估计方式：

由上述公式可知，目标成本(TagetCPA)最终只与历史累计转化数(conv_h)有关，也就是说，对历史累计转化数(conv_h)的预估是关键，因此，在本申请中，将历史累计转化数(conv_h)统一描述为“预估转化数”。

在深度目标广告的转化数据非常稀疏，通常只有几个转化，所以如果采用回流比例进行预估，仍然存在较大的固有偏差。假设每个转化在窗口内的回流比例为ratio，那么时间窗口内实际回传的回流转化数(rc_h)服从二项分布B(conv_h,ratio)，期望是conv_h×ratio，方差是conv_h×ratio×(1-ratio)，即：

为了便于理解，请参阅表3，表3对实际转化数

与预估转化数(conv_h)之间的偏差进行比对。

表3

基于此，本申请提供的技术方案能够更好地估计历史累计转化数(conv_h)，从而能够达到更好地控制目标成本(TagetCPA)的目的。

本申请提出了一种广告投放的方法，该方法应用于图5所示的广告投放系统，请参阅图5，图5为本申请实施例中广告投放系统的一个交互环境示意图，如图所示，广告投放系统包括终端设备以及服务器，用户通过终端设备观看广告，并通过终端设备触发相关的操作，例如，点击、下载、安装、激活、下单以及付费等，终端设备将一段时间内(或即时)的操作信息上报至服务器，由服务器基于采集到的操作信息进行统计和计算，根据计算结果决定广告的排序，再将新的排序结果推送至终端设备，于是用户可通过终端设备观看到排序变化后的广告。至此，完成一轮广告排序的更新。

在在线广告系统中，终端设备会即时向服务器反馈用户的操作信息，服务器将根据操作信息实时调整广告排序，从而达到在线调整广告排序的目的。

在离线广告系统中，服务器采集一段时间内的用户操作信息，然后根据操作信息调整广告排序，从而达到离线调整广告排序的目的。

需要说明的是，图5所示的终端设备和服务器的数量和类型仅为一个示意，在实际应用中，终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机、语音交互设备及个人电脑(personal computer，PC)。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和AI平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

由于广告内容和广告数量非常庞大，在实际应用中，本申请提供的广告投放方法可以采用云技术(Cloud technology)实现对大量广告的计算和排序。具体地，云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。

作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为基础设施即服务(Infrastructure as a Service，IaaS)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备和网络设备。按照逻辑功能划分,在IaaS层上可以部署平台即服务(Platform as a Service，PaaS)层，在PaaS层之上再部署软件即服务(Software as aService，SaaS)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。

进一步地，广告投放系统还可以为广告主提供AI云服务(AI as a Service，AIaaS)，这是目前主流的一种AI平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城，所有的开发者都可以通过应用程序接口(Application Programming Interface，API)的方式来接入使用平台提供的一种或者是多种AI服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云AI服务。

应理解，本申请提供的广告投放系统属于广告系统的一部分，为了便于介绍，请参阅图6，图6为本申请实施例中广告系统的一个架构示意图，一个典型的广告系统如图6所示，广告要经历请求、曝光、粗排和精排的过程。用户可以通过终端设备观看曝光的广告A，还可以基于该广告A进行后续一系列操作(例如，点击、下载、安装和付费等)，这些操作通过流量接入层进入广告投放系统。广告投放系统中的用户画像检索模块调用用户画像的数据库，获取用户对应的用户画像。广告检索模块调用广告数据库，获取广告A的广告数据。模型训练模块调用日志库中的日志数据，并基于广告A的广告数据以及用户的用户画像，对转化预估模型进行训练。此外，模型训练模块还可以通过转化预估模型预测广告的eCPM，以此对线上的广告进行排序，排序之前需要经过粗选和精选两个过程，精选后的广告将进行曝光。

粗选主要使用转化预估模型所包括的轻量级转化预估(light conversion rate，LiteCVR)模型，使用轻量级转化预估(LiteCVR)模型进行排序的公式如下所示：

eCPM＝SmartBid×LiteCVR×LiteCVR×1000；

其中，SmartBid表示智能出价。

精选主要使用转化预估模型所包括的预估转化率(pCVR)模型，使用预估转化率(pCVR)模型进行排序的公式如下所示：

eCPM＝SmartBid×pCVR×pCTR×1000；

其中，SmartBid表示智能出价，pCTR表示广告点击率预测。

经过精选之后根据eCPM从大至小对广告进行排序，并且对这些广告进行曝光。

本申请实施例提供的方案涉及AI的机器学习等技术，结合上述介绍，下面将对本申请中广告投放的方法进行介绍，请参阅图7，本申请实施例中广告投放方法的一个实施例包括：

101、获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，其中，P个广告至少包括目标广告，且P个广告均对应于相同的广告主标识，P为大于或等于1的整数；

本实施例中，以针对目标广告为例进行具体说明，可以理解的是，在实际应用中，对于每支待投放广告均可以采用如本申请提供的广告投放方法进行处理。广告投放装置需要获取属于同一个广告主的P个广告在历史时间段内所对应的回流比例信息，需要说明的是，历史时间段可包括多个时间段，假设历史时间段为24小时，且每个时间段为一个小时，那么历史时间段包括24个时间段，因此，回流比例信息由24个回流比例组成。又假设历史时间段为48小时，且每个时间段为一个小时，那么历史时间段包括48个时间段，因此，回流比例信息由48个回流比例组成，此处不做限定。

具体地，在实际应用中，广告投放装置可以获取P个广告在历史时间段内的回流转化数，假设历史时间段包括24个时间段，则获取P个广告所对应的24个回流转化数，基于此，广告投放装置在已知每个时间段所对应的总转化数的情况下，即可分别计算得到每个时间段所对应的回流比例，在得到历史时间段内每个时间段所对应的回流比例时，即可得到P个广告在历史时间段内所对应的回流比例信息。

广告投放装置还需要获取目标广告在历史时间段内的回流转化数信息，该目标广告属于P个广告中的其中一个广告。类似地，假设历史时间段为24小时，且每个时间段为一个小时，那么历史时间段包括24个时间段，因此，回流转化数信息由24个回流转化数组成。又假设历史时间段为48小时，且每个时间段为一个小时，那么历史时间段包括48个时间段，因此，回流转化数信息48个回流转化数组成，此处不做限定。

需要说明的是，广告投放装置部署于计算机设备，该计算机设备可以是服务器，也可以是具有较高计算能力的终端设备，此处不做限定。

目标广告包含但不仅限于游戏行业的广告、网站门户行业的广告、电商行业的广告、金融行业的广告、教育行业的广告以及旅游行业的广告。基于不同行业下的目标广告，往往上报的回流转化类型也不同，为了便于理解，请参阅表4，表4为基于不同行业的回流转化类型的一个示意。

表4

行业类型	可上报的转化类型
		游戏	激活、注册、次日留存及付费行为
网站门户	激活、注册及次日留存
		电商	激活、注册、商品详情页浏览、搜索、收藏、加入购物车及下单
金融	表单预约、网页咨询、激活、次日留存、注册、申请及付费
		教育	表单预约、网页咨询、下单及付费
旅游	表单预约、网页咨询、下单及付费

表4中的内容仅为一个示意，在广告主还可以根据所在行业的特点，上传所关注的回流转化类型。

102、根据回流比例信息确定先验分布所对应的先验分布参数；

本实施例中，广告投放装置基于回流比例信息，利用矩估计的方式可以求得先验分布所对应的先验分布参数

本申请结合贝叶斯定理推断目标广告的目标回流比例，实现置信度更高的概率估计，从而使得目标广告的预估转化数更准确。

具体地，在给定P个广告在历史时间段内所对应的回流比例信息时，确定假设空间中的最佳假设，为了便于说明，将P个广告在历史时间段内所对应的回流比例信息作为训练数据D，将假设空间设定为θ，本申请中的“假设空间”即为待求解的回流比例。贝叶斯理论提供了一种计算假设概率的方法，即基于训练数据D，采用贝叶斯定理对先验概率P(θ)进行更新，以得到后验概率P(θ|D)，贝叶斯公式表示为：

P(θ|D)∝P(D|θ)×P(θ)；

其中，P(θ)表示先验概率，P(θ|D)表示假设空间θ的后验概率，P(D|θ)表示训练数据D的似然函数，符号“∝”表示正比于，符号“|”表示条件。

用P(θ)表示在没有训练数据D前假设θ拥有的初始概率，P(θ)也被称为θ的先验概率。先验概率反映了关于θ是正确假设的背景知识，如果没有这个先验知识，可以简单地将每一候选假设赋予相同的先验概率。类似地，P(D)表示训练数据D的概率分布，P(D|θ)表示假设θ成立时训练数据D的概率。在机器学习中，需要关心的是P(θ|D)，即给定训练数据D时θ成立的概率。贝叶斯推理的结果很大程度上依赖于先验概率，另外不是完全接受或拒绝假设，只是在观察到较多的数据后增大或减小了假设的可能性。

需要说明的是，先验概率服从先验分布，且后验概率服从后验分布，本申请采用矩估计的方式或者参数求解的方式，可以求出先验分布所对应的先验分布参数。

103、基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，其中，目标时间段属于历史时间段内的一个时间段；

本实施例中，广告投放装置根据计算得到的先验分布参数以及回流转化数信息，代入到后验分布所对应的贝叶斯估计公式中，求解得到目标广告在目标时间段所对应的目标回流比例。其中，目标时间段属于历史时间段内的一个时间段，假设历史时间段为24小时，目标时间段为第5个小时，则需要从回流转化数信息中获取第5个小时所对应的回流转化数，然后代入到贝叶斯估计公式，解出第5个小时的目标回流比例。

104、根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数；

本实施例中，在广告投放装置确定目标广告所对应的目标回流比例之后，首先从回流转化数信息中获取目标时间段所对应的回流转化数，然后采用如下方式计算目标广告的预估转化数：

其中，conv_ht表示目标广告在第t个时间段内对应的预估转化数，rc_ht表示目标广告在第t个时间段内对应的回流转化数，ratio_ht表示目标广告在第t个时间段内对应的目标回流比例。

105、根据预估转化数确定目标广告在P个广告中的排序结果；

本实施例中，由于目标成本是确定的数值，因此，在广告投放装置确定预估转化数之后即可得到未来成本达成调节系数，基于未来成本达成调节系数能够计算该广告的eCPM。假设需要对100个待投放广告进行排序，则根据每个待投放广告所对应的eCPM，确定目标广告的排序结果。

具体地，为了便于介绍，请参阅图8，图8为本申请实施例中调整目标广告排序的一个实施例示意图，如图8中(a)图所示，假设当前时刻为17点，此时，“XXXX旗舰店”上展示的广告包括“圆点衬衣”、“小熊T恤”、“白领西裤”、“小猫T恤”、“条形衬衣”以及“全黑皮带”。经过一个小时后，广告投放装置基于这一个小时内对应的预估转化数，对“XXXX旗舰店”内的广告进行重新排序，如图8中(b)图所示，假设当前时刻为18点，“XXXX旗舰店”上展示的广告包括“小猫T恤”、“条形衬衣”、“米色工作裤”、“黑白T恤”、“全黑皮带”以及“小熊T恤”。

106、若根据排序结果确定目标广告满足广告投放条件，则投放目标广告。

本实施例中，广告投放装置需要判断目标广告的排序结果是否满足广告投放条件。具体地，一种判定条件为，假设排序结果小于或等于排序阈值，则表示目标广满足广告投放条件，假设排序结果大排序阈值，则表示目标广告不满足广告投放条件，例如，排序结果为15，排序阈值为20，那么该目标广告满足广告投放条件。另一种判定条件为，假设排序结果为第一的情况下，表示该目标广告满足广告投放条件。还有一种判定条件为，根据广告主的选择来确定该目标广告是否满足广告投放条件，如果广告主选择了该目标广告，则表示目标广告是满足广告投放条件，如果广告主未选择该目标广告，则表示目标广告是不满足广告投放条件。可以理解的是，在实际应用中，还可以根据情况设定其他的广告投放条件，此处仅为一个示意，不应理解为对本申请的限定。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，可以包括如下步骤：

获取P个广告在历史时间段内所对应的回流比例信息，其中，历史时间段包括N个时间段，回流比例信息包括N个回流比例，回流比例与时间段具有对应关系，N为大于或等于1的整数；

本实施例中，介绍了一种获取粗粒度信息以及细粒度信息的方式，下面将分别说明。

一、粗粒度信息；

粗粒度信息具体为P个广告在历史时间段内所对应的回流比例信息。广告投放装置统计P个广告在历史时间段内的回流比例信息，历史时间段包括N个时间段。为了便于理解，请参阅图9，图9为本申请实施例中历史时间段内N个时间段对应回流比例的一个示意，如图所示，假设历史时间段包括24个时间段，则可以得到每个时间段所对应的回流比例。请参阅表5，表5为P个广告在历史时间段内的回流比例信息的一个示意。

表5

时间段	回流比例	时间段	回流比例
				2	0.35	14	0.12
4	0.24	16	0.11
				6	0.15	18	0.10
8	0.14	20	0.11
				10	0.15	22	0.10
12	0.12	24	0.04

由表5可知，回流比例信息包括N个回流比例，这里的N为12，在实际应用中，N还可以取其他值，例如，6、8、24或者其他取值等，此处仅为一个示意，不应理解为对本申请的限定。

二、细粒度信息；

细粒度信息具体为回流转化数信息。广告投放装置获取广告主上报的目标广告在历史时间段内所对应的回流转化数信息，历史时间段包括N个时间段。假设历史时间段包括24个时间段，则可以得到每个时间段所对应的回流转化数。请参阅表6，表6为目标广告在历史时间段内的回流转化数信息的一个示意。

表6

时间段	回流转化数	时间段	回流转化数
				2	2	14	1
4	1	16	2
				6	0	18	0
8	1	20	1
				10	0	22	0
12	1	24	0

基于表6可见，目标广告在每个时间段内的回路转化数都较少，将这些回流转化数加起来得到的总和为2+1+0+1+0+1+1+2+0+1+0+0＝9，假设回流转化数阈值为10，那么这N个回流转化数之和小于回流转化数阈值，因此，可以认为目标广告属于低频广告。反之，如果N个回流转化数之和大于回流转化数阈值，则该目标广告属于非低频广告。

其次，本申请实施例中，提供了一种获取粗粒度信息以及细粒度信息的方式，通过上述方式，一方面能够统计得到粗粒度信息，并且将粗粒度信息划分为多个时间段所对应的回流比例，另一方面，能够针对低频广告或非低频广告进行细粒度信息的统计，并且将粗粒度信息也划分为多个时间段所对应的回流转化数，从而便于后续计算某一个时间段所对应的回流比例，由此提升方案的可行性和可操作性。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，先验分布为第一beta分布；

根据回流比例信息确定先验分布所对应的先验分布参数，可以包括如下步骤：

根据回流比例信息计算得到平均值以及方差；

根据平均值和方差确定先验分布参数中的第一先验参数；

本实施例中，介绍了一种基于第一beta分布计算先验分布参数的方式，在获取到P个广告在历史时间段内所对应的回流比例信息之后，可以先采用矩估计的方式求出第一beta分布的先验分布参数，其中，先验分布参数包括第一先验参数(α)和第二先验参数(β)。假设计算得到的第一先验参数(α)为30，计算得到的第二先验参数(β)为70，为了便于理解，请参阅图10，图10为本申请实施例中基于第一beta分布的一个后验概率密度示意图，如图10所示，图中S1指示的第一beta分布即为先验概率的第一beta分布，表示为beta(30,70)。基于此，可以获取多个广告的的回流转化数信息，请参阅表7，表7为广告A、广告B和广告C在首日内的回流转化数信息的一个示意。

表7

	首日回流转化数	总转化数	首日回流比例
				广告A	1	2	50％
广告B	2	2	100％
				广告C	240	300	80％
广告主*商品标识	300	1000	30％

结合图10以及表7可知，广告A总转化数为2，首日回流转化数为1，那么首日未回流的转化数为1，即表示回流成功1次，回流失败1次，因此，广告A的第一beta分布表示为beta(31,71)，31为α+1，71为β+1。类似地，广告B总转化数为2，首日回流转化数为2，那么首日未回流的转化数为0，即表示回流成功2次，回流失败0次，因此，广告B的第一beta分布表示为beta(32,70)，32为α+2，70为β+0。而广告C总转化数为300，首日回流转化数为240，那么首日未回流的转化数为60，即表示回流成功240次，回流失败60次，因此，广告C的第一beta分布表示为beta(270,130)，270为α+240，130为β+60。

由此可见，广告A和广告B的首日回流转化数和总转化数都比较稀疏，即广告A和广告B均为低频广告，其中，广告A所示的第一beta分布曲线S2与先验概率的第一beta分布曲线S1较为接近，广告B所示的第一beta分布曲线S3也与先验概率的第一beta分布曲线S1较为接近，且后验分布趋近于先验分布，说明对于低频广告而言，更依赖于粗粒度信息。而广告C的数据比较充分，后验趋近于似然估计。

下面以采用矩估计为例，介绍如何计算第一beta分布所对应的第一先验参数(α)和第二先验参数(β)，其中，矩估计是一种参数的近似估计方法，其基本思想是用样本矩估计总体矩，由大数定理，如果未知参数和总体的某个(些)矩有关系，则可以构造未知参数的估计。矩有一阶矩、二阶矩以及高阶矩等，常用的为一阶和二阶矩。一阶矩又叫静矩，是对函数与自变量的积xf(x)的积分(即连续函数)或求和(离散函数)。力学中用以表示f(x)分布力到某点的合力矩，几何上可以用来计算重心，在统计学中叫做数学期望(或均值)，在统计学中还有二阶中心矩(或方差)。具体计算步骤为：

首先，根据给出的概率密度函数，计算总体的原点矩，如果只有一个参数只要计算一阶原点矩，如果有两个参数则需要计算一阶和二阶，假设有两个参数的情况下，需要先计算数学期望：

然后计算方差：

其中，x表示P个广告在N个小时内每个小时的回流比例。

基于此，然后根据给出的训练数据(即P个广告在N个小时内每个小时的回流比例)，计算训练数据的原点矩。使得总体的原点矩与训练数据的原点矩相等，解出参数。所得结果即为参数的矩估计值。此时，在第一beta分布可以计算得到：

mean＝E(x)＝α/(α+β)；

var＝D(x)＝αβ/(α+β)²(α+β+1)；

于是解得：

α＝[mean×(1-mean)/var-1]×mean；

β＝[mean×(1-mean)/var-1]×(1-mean)；

其中，α表示第一beta分布所对应的第一先验参数，β表示第一beta分布所对应的第二先验参数。

再次，本申请实施例中，提供了一种基于beta分布计算先验分布参数的方式，通过上述方式，将先验分布定义为beta分布，beta分布能够合理地估计出广告的回流比例，而且对于低频广告和非低频广告而言，基于beta分布估计得到的目标回流比例均具有更高的准确度，尤其对于低频广告而言，目标回路比例的准确度具有更明显的提升。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，可以包括如下步骤：

根据回流转化数信息确定二项式分布；

其中，根据二项式分布以及第一beta分布，确定后验分布所对应的贝叶斯估计公式，可以包括如下步骤：

根据二项式分布以及第一beta分布确定第二beta分布，其中，第一beta分布属于先验分布，第二beta分布属于后验分布；

根据第二beta分布确定贝叶斯估计公式。

本实施例中，介绍了一种利用第一beta分布和二项式分布(Binomialdistribution)推导贝叶斯估计公式的方式，基于上述实施例可知，若先验分布为第一beta分布，则采用矩估计的方式得到第一beta分布的先验分布参数为(α,β)，而目标广告的回流转化满足二项式分布，即

其中，目标广告的回流转化数信息为

而目标广告的回流比例信息为

基于此，得到如下关系：

其中，B(α,β)表示第一beta分布，且属于先验分布，

表示二项式分布，而属于样本信息，B(α+c₁,β+c₂)表示第二beta分布，且属于后验分布。符号

表示由前式推导出。

结合贝叶斯公式P(θ|D)∝P(D|θ)×P(θ)，即可得到贝叶斯估计公式：

其中，r₁表示目标广告在第1个时间段内的回流比例，r₂表示目标广告在第2个时间段的回流比例。c₁表示目标广告在第1个时间段内的回流转化数，c₂表示目标广告在第2个时间段内的回流转化数，α表示第一先验参数，β表示第二先验参数。

需要说明的是，beta分布(即本申请中的第一beta分布)是二项分布的共轭先验分布，通常可以假设先验概率符合某种规律或者分布，然后根据增加的信息，同样可以得到后验概率的计算公式或者分布。如果先验概率和后验概率的符合相同的分布，那么这种分布叫做共轭分布。共轭分布的好处是可以清晰明了的看到，新增加的信息对分布参数的影响，也即概率分布的变化规律。

进一步地，本申请实施例中，提供了一种利用第一beta分布和二项式分布推导贝叶斯估计公式的方式，通过上述方式，由于beta分布是二项式分布的共轭分布，也就是说，如果回流转化数信息符合二项式分布，则先验分布和后验分布都能保持beta分布的形式，由此可以根据后验分布推导出贝叶斯估计公式，以此实现基于理论知识获取目标回流比例的目的，从而有利于方案的可行性和可操作性。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，基于先验分布参数以及回流转化数信息，通过贝叶斯估计公式确定目标广告在目标时间段所对应的目标回流比例，可以包括如下步骤：

获取目标广告在目标时间段所对应的目标回流转化数，其中，目标回流转化数属于回流转化数信息中的一个回流转化数；

本实施例中，介绍了一种基于贝叶斯估计公式计算目标回流比例的具体方式，由上述实施例可知，基于第一beta分布和二项式分布确定贝叶斯估计公式，该贝叶斯估计公式可表示为：

其中，α表示第一先验参数，β表示第二先验参数，这里的第一先验参数α和第二先验参数β可通过矩估计计算得到，此处不做详述。此外，还需要获取目标广告在目标时间段所对应的目标回流转化数，假设目标时间段为第5个小时(即i＝5)，则根据回流转化数信息提取第5个小时所对应的回流转化数，即得到目标回流转化数c₅，于是计算得到目标回流比例r₅。

需要说明的是，计算其他时间段所对应的回流比例的方式与上述方式类似，故此处不一一列举。

更进一步地，本申请实施例中，提供了一种基于贝叶斯估计公式计算目标回流比例的具体方式，通过上述方式，将计算得到第一先验参数和第二先验参数代入至贝叶斯估计公式，并且代入回流转化数信息中的某一个回流转化数至贝叶斯估计公式，从而计算得到目标回流比例，由此提升方案的可行性和可操作性。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，先验分布为第一狄利克雷分布；

根据回流比例信息确定目标广告所对应的先验分布参数，可以包括如下步骤：

根据回流比例信息计算得到平均值以及方差；

本实施例中，介绍了一种基于狄利克雷分布计算先验分布参数的方式，在获取到P个广告在历史时间段内所对应的回流比例信息之后，可以先采用矩估计的方式求出第一狄利克雷分布的先验分布参数，其中，先验分布参数包括N个先验参数。具体计算步骤为：

然后计算方差：

其中，x表示P个广告在N个小时内每个小时的回流比例。

基于此，然后根据给出的训练数据(即P个广告在N个小时内每个小时的回流比例)，计算训练数据的原点矩。使得总体的原点矩与训练数据的原点矩相等，解出参数。所得结果即为参数的矩估计值。此时，在第一狄利克雷分布可以计算得到：

其中，E(x_i)表示第i个时间段的回流比例的期望，D(x_i)表示第i个时间段的回流比例的方差，c_i表示第i个时间段的回流转化数，c_n表示第n个时间段的回流转化数，于是解得先验分布参数

再次，本申请实施例中，提供了一种基于狄利克雷分布计算先验分布参数的方式，通过上述方式，将先验分布定义为狄利克雷分布，狄利克雷分布能够合理地估计出广告的回流比例，而且对于低频广告和非低频广告而言，基于狄利克雷分布估计得到的目标回流比例均具有更高的准确度，尤其对于低频广告而言，目标回路比例的准确度具有更明显的提升。

根据回流转化数信息确定多项式分布；

其中，根据多项式分布以及第一狄利克雷分布，确定后验分布所对应的贝叶斯估计公式，可以包括如下步骤：

根据多项式分布以及第一狄利克雷分布确定第二狄利克雷分布，其中，第一狄利克雷分布属于先验分布；

根据第二狄利克雷分布确定贝叶斯估计公式。

本实施例中，介绍了一种利用第一狄利克雷分布(Dirichlet distribution)和多项式分布(multinomial distribution)推导贝叶斯估计公式的方式，基于上述实施例可知，若先验分布为第一狄利克雷分布，则采用矩估计的方式得到第一狄利克雷分布的先验分布参数为

而目标广告的回流转化满足多项式分布，即

其中，目标广告的回流转化数信息为

而目标广告的回流比例信息为

N表示N个时间段。基于此，得到如下关系：

其中，

表示第一狄利克雷分布，且属于先验分布，

表示多项式分布，而属于样本信息，

表示第二狄利克雷分布，且属于后验分布。符号

表示由前式推导出。

其中，r_i表示目标广告在第i个小时的回流比例，即得到目标广告在目标时间段所对应的目标回流比例。第i个小时表示目标时间段，c_i表示第i个小时的回流转化数，a_i表示先验分布参数

中的第i个参数。

需要说明的是，狄利克雷分布(即本申请中的第一狄利克雷分布)是多项分布的共轭先验分布，通常可以假设先验概率符合某种规律或者分布，然后根据增加的信息，同样可以得到后验概率的计算公式或者分布。如果先验概率和后验概率的符合相同的分布，那么这种分布叫做共轭分布。共轭分布的好处是可以清晰明了的看到，新增加的信息对分布参数的影响，也即概率分布的变化规律。

进一步地，本申请实施例中，提供了一种利用第一狄利克雷分布和多项式分布推导贝叶斯估计公式的方式，通过上述方式，由于狄利克雷分布是多项式分布的共轭分布，也就是说，如果回流转化数信息符合多项式分布，则先验分布和后验分布都能保持狄利克雷分布的形式，由此可以根据后验分布推导出贝叶斯估计公式，以此实现基于理论知识获取目标回流比例的目的，从而有利于方案的可行性和可操作性。

本实施例中，介绍了一种基于贝叶斯估计公式计算目标回流比例的具体方式，由上述实施例可知，基于第一狄利克雷分布和多项式分布确定贝叶斯估计公式，该贝叶斯估计公式可表示为：

其中，α表示先验分布参数

中的第i个参数，这里的N个先验参数可通过矩估计计算得到，此处不做详述。此外，还需要获取目标广告在目标时间段所对应的目标回流转化数，假设目标时间段为第5个小时(即i＝5)，则根据回流转化数信息提取第5个小时所对应的回流转化数，即得到目标回流转化数c₅，于是计算得到目标回流比例r₅。

更进一步地，本申请实施例中，提供了一种基于贝叶斯估计公式计算目标回流比例的具体方式，通过上述方式，将计算得到N个先验参数代入至贝叶斯估计公式，并且代入回流转化数信息中的某一个回流转化数至贝叶斯估计公式，从而计算得到目标回流比例，由此提升方案的可行性和可操作性。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，根据预估转化数确定目标广告在P个广告中的排序结果，可以包括如下步骤：

根据预估转化数确定目标广告所对应的未来成本达成调节系数；

本实施例中，介绍了一种根据预估转化数对P个广告实现自动排序的方式，通常可以先设定一个或多个目标时间段，例如，以历史时间段为24小时为例，假设目标时间段为第5小时，则根据第5小时的目标回流比例以及第5小时的回流转化数，计算得到第5小时对应的预估转化数。又假设，多个目标时间段分别为第5小时和第6小时，则根据第5小时的目标回流比例以及第5小时的回流转化数，计算得到第5小时对应的预估转化数，并且根据第6小时的目标回流比例以及第6小时的回流转化数，计算得到第6小时对应的预估转化数，再对第5小时的回流转化数和第6小时对应的预估转化数求平均，即可得到所需的目标广告的预估转化数。可以理解的是，对同一个广告投放方的其他广告也可以采用类似的方式进行估计，分别得到这些广告所对应的预估转化数。其中，广告投放方具体可以是一些投放广告的媒体平台或企业。

具体地，广告投放方还可以提前设定一个目标成本，由于目标成本最终只与历史时间段内的预估转化数和未来成本达成调节系数有关，因此，在确定目标成本以及史时间段内的预估转化数之后，即可得到未来成本达成调节系数，由此计算得到P个广告的千次展示收益。最后广告投放装置根据这些广告的千次展示收益可以生成排序结果。

在实际应用中，广告投放装置向广告投放方使用的客户端推送P个广告的排序结果，即为广告投放方提供排序展示的功能，便于广告投放方及实地策划投放方案。为了便于介绍，请参阅图11，图11为本申请实施例中推送目标广告排序结果的一个界面示意图，如图所示，假设广告投放方XXX使用账号和密码登录广告投放界面，通过广告投放界面选择查看广告排序结果，排序结果可以是以升序的方式排列，也可以是以降序的方式排列，图11是以千次展示收益的降序排列作为示意进行介绍，然而这不应理解为对本申请的限定。广告投放方可以查看到不同广告的千次展示收益，还可以查看到每个广告的标识以及对应的商品标识，还可以查看到商品标识所对应的商品内容，通过图11可以看出，当前千次展示收益最高的是广告标识为“025”的广告，且商品内容为“棉花糖”，而当前千次展示收益最低的是广告标识为“039”所对应的广告，且商品内容为“跳跳糖”。

其次，本申请实施例中，提供了一种根据预估转化数对P个广告实现自动排序的方式，通过上述方式，能够利用更准确的预估转化数来估计得到更准确的未来成本达成调节系数，由此确定目标广告的eCPM，采用类似的方式可以得到同一个广告投放方投放的其他广告的eCPM，按照一定的顺序自动对这P个广告的eCPM进行排序，从而得到P个广告的排序结果。这样不但能够为广告投放方提供更准确的排序结果，而且还可以便于广告投放方对后续的广告投放方案进行规划。

可选地，在上述图8对应的实施例的基础上，在本申请实施例提供的广告投放方法的另一个可选实施例中，还可以包括如下步骤：

向客户端推送目标广告在P个广告中的排序结果；

接收客户端发送的广告投放选择指令，其中，广告投放选择指令携带至少Q个广告标识，其中，Q为大于或等于1，且小于或等于P的整数；

若Q个广告标识包括目标广告所对应的广告标识，则确定目标广告满足广告投放条件。

本实施例中，介绍了一种对广告投放情况进行设置的方式，基于上述实施例可知，广告投放装置在计算得到P个广告分别对应的千次展示收益之后，可以向广告投放方使用的客户端推送P个广告的排序结果，即为广告投放方提供排序展示的功能，便于广告投放方及实地策划投放方案。为了便于介绍，请参阅图12，图12为本申请实施例中触发广告投放选择指令的一个界面示意图，如图所示，假设广告投放方XXX使用账号和密码登录广告投放界面，通过广告投放界面选择查看广告排序结果，排序结果可以是以升序的方式排列，也可以是以降序的方式排列，图12是以千次展示收益的降序排列作为示意进行介绍，然而这不应理解为对本申请的限定。广告投放方可以查看到不同广告的千次展示收益，还可以查看到每个广告的标识以及对应的商品标识，还可以查看到商品标识所对应的商品内容。广告投放方根据每个广告所对应的千次展示收益，可以勾选是否继续投放该广告。假设广告投放方选择投放广告标识为“025”的广告以及广告标识为“007”的广告，则触发广告投放选择指令，此时，该广告投放选择指令携带2个广告标识(即Q等于2时)，分别为广告标识“025”和广告标识“007”，假设目标广告是广告标识为“025”的广告，或者广告标识为“007”的广告，即Q个广告标识包括目标广告所对应的广告标识，那么该目标广告满足广告投放条件，如果Q个广告标识不包括目标广告所对应的广告标识，那么该目标广告不满足广告投放条件。

其次，本申请实施例中，提供了一种对广告投放情况进行设置的方式，通过上述方式，广告投放方还可以根据实际需求选择是否对目标广告进行投放，相比于根据千次展示收益直接决定是否投放目标广告而言，增加主动选择投放的方案能够增加方案的灵活性和可行性，从而提升广告投放的实用性和可操作性。

下面对本申请中的广告投放装置进行详细描述，请参阅图13，图13为本申请实施例中广告投放装置的一个实施例示意图，广告投放装置20可以包括：

获取模块201，用于获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，其中，P个广告至少包括目标广告，且P个广告均对应于相同的广告主标识，P为大于或等于1的整数；

确定模块202，用于根据回流比例信息确定先验分布所对应的先验分布参数；

确定模块202，还用于基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，其中，目标时间段属于历史时间段内的一个时间段；

确定模块202，还用于根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数；

确定模块202，还用于根据预估转化数确定目标广告在P个广告中的排序结果；

投放模块203，用于若根据排序结果确定目标广告满足广告投放条件，则投放目标广告。

本申请提供了一种广告投放装置，该广告投放装置获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在历史时间段内所对应的回流转化数信息，然后根据回流比例信息确定先验分布所对应的先验分布参数，再基于先验分布参数以及回流转化数信息，通过后验分布确定目标广告在目标时间段所对应的目标回流比例，根据目标回流比例以及回流转化数信息，确定目标广告的预估转化数，最后根据预估转化数确定目标广告在P个广告中的排序结果，如果根据排序结果确定目标广告满足广告投放条件，那么可投放该目标广告。采用上述装置，将同一个广告主在历史时间段内统计得到的回流比例信息作为构建先验概率的依据，该回流比例信息属于粗粒度信息，将目标广告的回流转化数信息作为样本信息，该信息属于细粒度。基于贝叶斯定理，可根据先验概率以及样本信息推导出后验分布，进而基于后验分布确定目标广告的目标回流比例，由此，引入粗粒度信息作为先验知识，充分考虑到粗粒度信息与细粒度信息之间的依赖关系，即使细粒度信息稀疏，也能够计算更加贴近真实情况的目标回流比例，从而提升预估转化数的准确度，有利于增加广告排序的准确度，提升广告投放效果。

可选地，在上述图13所对应的实施例的基础上，本申请实施例提供的广告投放装置20的另一实施例中，

获取模块201，具体用于获取P个广告在历史时间段内所对应的回流比例信息，其中，历史时间段包括N个时间段，回流比例信息包括N个回流比例，回流比例与时间段具有对应关系，N为大于或等于1的整数；

可选地，在上述图13所对应的实施例的基础上，本申请实施例提供的广告投放装置20的另一实施例中，先验分布为第一beta分布；

确定模块202，具体用于根据回流比例信息计算得到平均值以及方差；

根据平均值和方差确定先验分布参数中的第一先验参数；

确定模块202，具体用于根据回流转化数信息确定二项式分布；

确定模块202，具体用于根据二项式分布以及第一beta分布确定第二beta分布，其中，第一beta分布属于先验分布，第二beta分布属于后验分布；

根据第二beta分布确定贝叶斯估计公式。

确定模块202，具体用于获取目标广告在目标时间段所对应的目标回流转化数，其中，目标回流转化数属于回流转化数信息中的一个回流转化数；

可选地，在上述图13所对应的实施例的基础上，本申请实施例提供的广告投放装置20的另一实施例中，先验分布为第一狄利克雷分布；

确定模块202，具体用于根据回流转化数信息确定多项式分布；

确定模块202，具体用于根据多项式分布以及第一狄利克雷分布确定第二狄利克雷分布，其中，第一狄利克雷分布属于先验分布；

根据第二狄利克雷分布确定贝叶斯估计公式。

确定模块202，具体用于根据预估转化数确定目标广告所对应的未来成本达成调节系数；

可选地，在上述图13所对应的实施例的基础上，本申请实施例提供的广告投放装置20的另一实施例中，广告投放装置20还包括推送模块204以及接收模块205；

推送模块204，用于向客户端推送目标广告在P个广告中的排序结果；

接收模块205，用于接收客户端发送的广告投放选择指令，其中，广告投放选择指令携带至少Q个广告标识，其中，Q为大于或等于1，且小于或等于P的整数；

确定模块202，还用于若Q个广告标识包括目标广告所对应的广告标识，则确定目标广告满足广告投放条件。

本申请提供的计算机设备具体可以为服务器，也可以为终端设备，本申请以计算机设备为服务器为例进行介绍。请参阅图14，图14是本申请实施例提供的一种计算机设备结构示意图，该计算机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在计算机设备300上执行存储介质330中的一系列指令操作。

计算机设备300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows Server^TM，Mac OS X^TM，Unix^TM,Linux^TM，FreeBSD^TM等等。

在本申请实施例中，该计算机设备所包括的CPU 322还具有以下功能：

根据回流比例信息确定先验分布所对应的先验分布参数；

根据预估转化数确定目标广告在P个广告中的排序结果；

可选地，CPU 322具体用于实现如下步骤：

根据回流比例信息计算得到平均值以及方差；

根据平均值和方差确定先验分布参数中的第一先验参数；

可选地，CPU 322具体用于实现如下步骤：

根据回流转化数信息确定二项式分布；

可选地，CPU 322具体用于实现如下步骤：

根据第二beta分布确定贝叶斯估计公式。

可选地，CPU 322具体用于实现如下步骤：

根据回流比例信息确定目标广告所对应的先验分布参数，包括：

根据回流比例信息计算得到平均值以及方差；

可选地，CPU 322具体用于实现如下步骤：

根据回流转化数信息确定多项式分布；

可选地，CPU 322具体用于实现如下步骤：

根据第二狄利克雷分布确定贝叶斯估计公式。

可选地，CPU 322具体用于实现如下步骤：

可选地，CPU 322还用于实现如下步骤：

向客户端推送目标广告在P个广告中的排序结果；

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前实施例描述的方法。

本申请实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行如前实施例描述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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网络单元上。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，在本申请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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims

1.一种广告投放的方法，其特征在于，包括：

获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在所述历史时间段内所对应的回流转化数信息，其中，所述P个广告至少包括所述目标广告，且所述P个广告均对应于相同的广告主标识，所述P为大于或等于1的整数；

根据所述回流比例信息确定先验分布所对应的先验分布参数；

基于所述先验分布参数以及所述回流转化数信息，通过后验分布确定所述目标广告在目标时间段所对应的目标回流比例，其中，所述目标时间段属于所述历史时间段内的一个时间段；

根据所述目标回流比例以及所述回流转化数信息，确定所述目标广告的预估转化数；

根据所述预估转化数确定所述目标广告在所述P个广告中的排序结果；

若根据所述排序结果确定所述目标广告满足广告投放条件，则投放所述目标广告。

2.根据权利要求1所述的方法，其特征在于，所述获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在所述历史时间段内所对应的回流转化数信息，包括：

获取所述P个广告在所述历史时间段内所对应的所述回流比例信息，其中，所述历史时间段包括N个时间段，所述回流比例信息包括N个回流比例，所述回流比例与所述时间段具有对应关系，所述N为大于或等于1的整数；

获取所述目标广告在所述历史时间段内所对应的所述回流转化数信息，其中，所述回流转化数信息包括N个回流转化数，所述回流转化数与所述时间段具有对应关系，所述N个回流转化数；

其中，所述目标广告为低频广告或非低频广告，所述低频广告为所述N个回流转化数之和小于或等于回流转化数阈值的广告，所述非低频广告为所述N个回流转化数之和大于所述回流转化数阈值的广告。

3.根据权利要求1或2所述的方法，其特征在于，所述先验分布为第一beta分布；

所述根据所述回流比例信息确定先验分布所对应的先验分布参数，包括：

根据所述回流比例信息计算得到平均值以及方差；

根据所述平均值和所述方差确定所述先验分布参数中的第一先验参数；

根据所述平均值和所述方差确定所述先验分布参数中的第二先验参数，其中，所述第二先验参数与所述第一先验分布参数属于所述第一beta分布所对应的先验分布参数。

4.根据权利要求3所述的方法，其特征在于，所述基于所述先验分布参数以及所述回流转化数信息，通过后验分布确定所述目标广告在目标时间段所对应的目标回流比例，包括：

根据所述回流转化数信息确定二项式分布；

根据所述二项式分布以及所述第一beta分布，确定所述后验分布所对应的贝叶斯估计公式；

基于所述先验分布参数以及所述回流转化数信息，通过所述贝叶斯估计公式确定所述目标广告在目标时间段所对应的所述目标回流比例。

5.根据权利要求4所述的方法，其特征在于，所述根据所述二项式分布以及所述第一beta分布，确定所述后验分布所对应的贝叶斯估计公式，包括：

根据所述二项式分布以及所述第一beta分布确定第二beta分布，其中，所述第一beta分布属于先验分布，所述第二beta分布属于后验分布；

根据所述第二beta分布确定所述贝叶斯估计公式。

6.根据权利要求4所述的方法，其特征在于，所述基于所述先验分布参数以及所述回流转化数信息，通过所述贝叶斯估计公式确定所述目标广告在目标时间段所对应的所述目标回流比例，包括：

获取所述目标广告在所述目标时间段所对应的目标回流转化数，其中，所述目标回流转化数属于所述回流转化数信息中的一个回流转化数；

基于所述第一先验参数、所述第二先验参数以及所述目标回流转化数，通过所述贝叶斯估计公式计算得到所述目标广告在目标时间段所对应的所述目标回流比例。

7.根据权利要求1或2所述的方法，其特征在于，所述先验分布为第一狄利克雷分布；

所述根据所述回流比例信息确定所述目标广告所对应的先验分布参数，包括：

根据所述回流比例信息计算得到平均值以及方差；

根据所述平均值和所述方差确定所述先验分布参数中的N个先验参数，其中，所述N个先验参数属于所述第一狄利克雷分布所对应的先验分布参数，所述N为大于或等于1的整数。

8.根据权利要求7所述的方法，其特征在于，所述基于所述先验分布参数以及所述回流转化数信息，通过后验分布确定所述目标广告在目标时间段所对应的目标回流比例，包括：

根据所述回流转化数信息确定多项式分布；

根据所述多项式分布以及所述第一狄利克雷分布，确定所述后验分布所对应的贝叶斯估计公式；

9.根据权利要求8所述的方法，其特征在于，所述根据所述多项式分布以及所述第一狄利克雷分布，确定所述后验分布所对应的贝叶斯估计公式，包括：

根据所述多项式分布以及所述第一狄利克雷分布确定第二狄利克雷分布，其中，所述第一狄利克雷分布属于先验分布；

根据所述第二狄利克雷分布确定所述贝叶斯估计公式。

10.根据权利要求8所述的方法，其特征在于，所述基于所述先验分布参数以及所述回流转化数信息，通过所述贝叶斯估计公式确定所述目标广告在目标时间段所对应的所述目标回流比例，包括：

基于所述N个先验参数以及所述目标回流转化数，通过所述贝叶斯估计公式计算得到所述目标广告在目标时间段所对应的所述目标回流比例。

11.根据权利要求1所述的方法，其特征在于，所述根据所述预估转化数确定所述目标广告在所述P个广告中的排序结果，包括：

根据所述预估转化数确定所述目标广告所对应的未来成本达成调节系数；

根据所述目标广告所对应的未来成本达成调节系数，确定所述目标广告所对应的千次展示收益；

获取所述P个广告中每个待投放广告所对应的千次展示收益，其中，所述每个待投放广告所对应的千次展示收益为根据所述每个待投放广告所对应的未来成本达成调节系数确定的；

对所述目标广告所对应的千次展示收益以及所述每个待投放广告所对应的千次展示收益进行排序，得到所述目标广告在所述P个广告中的排序结果。

12.根据权利要求1所述的方法，其特征在于，所述方法还包括：

向客户端推送所述目标广告在所述P个广告中的所述排序结果；

接收客户端发送的广告投放选择指令，其中，所述广告投放选择指令携带至少Q个广告标识，其中，所述Q为大于或等于1，且小于或等于所述P的整数；

若所述Q个广告标识包括所述目标广告所对应的广告标识，则确定所述目标广告满足所述广告投放条件。

13.一种广告投放装置，其特征在于，包括：

获取模块，用于获取P个广告在历史时间段内所对应的回流比例信息，以及目标广告在所述历史时间段内所对应的回流转化数信息，其中，所述P个广告至少包括所述目标广告，且所述P个广告均对应于相同的广告主标识，所述P为大于或等于1的整数；

确定模块，用于根据所述回流比例信息确定先验分布所对应的先验分布参数；

所述确定模块，还用于基于所述先验分布参数以及所述回流转化数信息，通过后验分布确定所述目标广告在目标时间段所对应的目标回流比例，其中，所述目标时间段属于所述历史时间段内的一个时间段；

所述确定模块，还用于根据所述目标回流比例以及所述回流转化数信息，确定所述目标广告的预估转化数；

所述确定模块，还用于根据所述预估转化数确定所述目标广告在所述P个广告中的排序结果；

投放模块，用于若根据所述排序结果确定所述目标广告满足广告投放条件，则投放所述目标广告。

14.一种计算机设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；

其中，所述存储器用于存储程序；

所述处理器用于执行所述存储器中的程序，所述处理器用于根据所述程序代码中的指令执行权利要求1至12中任一项所述的方法；

所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至12中任一项所述的方法。