CN112749824A - 信息投放优化方法及系统、电子设备、存储介质 - Google Patents

信息投放优化方法及系统、电子设备、存储介质 Download PDF

Info

Publication number
CN112749824A
CN112749824A CN201911051022.XA CN201911051022A CN112749824A CN 112749824 A CN112749824 A CN 112749824A CN 201911051022 A CN201911051022 A CN 201911051022A CN 112749824 A CN112749824 A CN 112749824A
Authority
CN
China
Prior art keywords
information
release
parameters
delivery
optimization
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.)
Pending
Application number
CN201911051022.XA
Other languages
English (en)
Inventor
惠六一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201911051022.XA priority Critical patent/CN112749824A/zh
Publication of CN112749824A publication Critical patent/CN112749824A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • 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
    • G06Q30/0277—Online advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种信息投放优化方法及系统、电子设备、存储介质。所述方法包括：采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数；获取投放需求参数，根据所述投放需求参数建立目标函数；根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件；在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。本发明可以提高信息投放效率以及投放参数与实际投放结果之间的匹配度。

Description

信息投放优化方法及系统、电子设备、存储介质
技术领域
本发明属于计算机领域，尤其涉及一种信息投放优化方法及系统、电子设备、存储介质。
背景技术
较早时，一些信息平台通过出售信息位盈利，即在A分类下第一个信息投放一个信息B小时需要付费C元，出售的投入产出比是固定的。后来，信息平台在出售信息位时主要采用竞价排名。因为是实时竞价，每个时刻每个位置的投放信息都会发生变化，而信息投放者没有办法第一时间发现投放位置的变化，并修改竞投价格保证投放结果。另外，现存的信息平台多种多样，每个信息平台的竞价规则不尽相同，为了获得更好的投放结果，信息投放方需要在更多的信息平台投放信息，但对于信息投放方而言，对每个信息平台进行统筹管理的难度较大。
为了适应竞投需求，信息投放方的运营人员需要花费大量时间维护投放信息，而维护投放信息最关键的就是给出适当的信息投放方案。
现有的信息投放方式主要由运营人员也就是决策者凭借自身经验制定信息投放方案。然而，不同的决策者的经验、对信息平台情况的熟悉程度是不同的，可能会得出不同的结论，从而给出不同的信息投放方案。
现有的信息投放方式是凭借决策者的经验以及对于信息平台情况的熟悉程度而给出一种经验性的方案，这种人为制定的方案有很多的不确定性，并且缺乏理论依据，导致了信息投放效率低、方案与实际投放结果不匹配等不良结果。
发明内容
本发明实施例要解决的技术问题是为了克服现有技术中凭借决策者的经验以及对于信息平台情况的熟悉程度而得出的信息投放方案而导致信息投放效率低、方案与实际投放结果不匹配的缺陷，提供一种信息投放优化方法及系统、电子设备、存储介质。
本发明实施例是通过以下技术方案解决上述技术问题的：
本发明实施例提供一种信息投放优化方法，包括：
采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数；
获取投放需求参数，根据所述投放需求参数建立目标函数；
根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件；
在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。
较佳地，所述实际投放结果参数包括用于衡量投放结果的至少一指标的实际值，所述投放需求参数包括所述至少一指标的目标值；
根据所述投放需求参数建立目标函数的步骤包括：
针对每个所述指标的目标值，分别建立子目标函数；
结合每个子目标函数，建立总的目标函数；
根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件的步骤包括：
根据所述历史信息投放参数与每个所述指标的实际值之间的映射关系，分别分析所述历史信息投放参数与每个所述指标的关系函数；
将所述关系函数作为优化的约束条件。较佳地，运用权重法和无量纲法结合每个子目标函数，建立总的目标函数；
和/或，利用回归分析法分析所述历史信息投放参数与每个所述指标的关系函数。
较佳地，所述信息被投放至至少一信息平台，所述投放需求参针对所有信息平台中的每个信息平台或部分信息平台设定，所述最优信息投放参数包括所有信息平台中的每个信息平台或部分信息平台的信息投放参数；
或，一个优化周期划分为至少一个时段，所述投放需求参针对一个优化周期中的每个时段或部分时段设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段的信息投放参数；
或，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参针对一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台或部分信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台或部分信息平台的信息投放参数。
较佳地，信息投放参数包括投放所述信息的出价及在信息平台上与所述出价相关联的信息投放位置；
和/或，所述约束条件还包括：平台投入预算费用限制、信息平台的投放预算上限和下限、信息平台的投放出价上限和下限中的至少一种。
较佳地，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段内所有信息平台中的每个信息平台的信息投放参数，所述信息投放参数包括投放所述信息的出价；
在所述约束条件下，利用逐步优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数的步骤，包括：
设定所有信息平台中的每个信息平台初始解对应的出价、迭代次数N和迭代步长；
初始化迭代次数iter＝1；
初始化计算时段t＝1；
固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价；
判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价的步骤，若不成立，则：
判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至初始化计算时段t＝1的步骤，若不成立，则：
计算整个优化周期内的投放需求参数，取为最优值；
判断最优值精度是否满足精度要求，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转回初始化迭代次数iter＝1的步骤。
本发明实施例还提供一种信息投放优化系统，包括：
数据采集模块，用于采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数；
目标函数模块，用于获取投放需求参数，根据所述投放需求参数建立目标函数；
约束条件模块，用于根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件；
优化求解模块，用于在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。。
较佳地，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段内所有信息平台中的每个信息平台的信息投放参数，所述信息投放参数包括投放所述信息的出价；
所述优化求解模块在所述约束条件下，利用逐步优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数时，具体用于：
设定所有信息平台中的每个信息平台初始解对应的出价、迭代次数N和迭代步长；
初始化迭代次数iter＝1；
初始化计算时段t＝1；
固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价；
判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价的步骤，若不成立，则：
判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至初始化计算时段t＝1的步骤，若不成立，则：
计算整个优化周期内的投放需求参数，取为最优值；
判断最优值精度是否满足精度要求，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转回初始化迭代次数iter＝1。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的信息投放优化方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的信息投放优化方法的步骤。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明实施例的积极进步效果在于：本发明实施例运用优化理论，对于信息投放问题进行建模，给出了可量化的目标函数，将信息投放参数与投放结果参数之间的关系公式作为约束条件，运用优化算法进行优化，最终得到全局最优的信息投放参数，使得信息投放方可以在约束条件下获得最佳的投放结果，提高信息投放效率以及投放参数与实际投放结果之间的匹配度。
附图说明
图1为本发明实施例1的一种信息投放优化方法的流程图。
图2为本发明实施例1的一种信息投放优化方法的步骤11的具体流程图。
图3为本发明实施例1的一种信息投放优化方法的步骤12的具体流程图。
图4为本发明实施例2的一种App广告信息投放优化方法的流程图。
图5为本发明实施例2的一种App广告信息投放优化方法的步骤23的具体流程图。
图6为本发明实施例3的一种App广告信息投放优化系统的示意图。
图7为本发明实施例4的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1示出了本实施例的一种信息投放优化方法。所述信息投放优化方法包括以下步骤：
步骤10：采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数。所述历史投放数据可以有一时间限制，例如包括过去一预设时间段内统计的信息投放参数以及该时间段内投放信息所实际达到的投放结果参数，所述历史投放数据可以由信息投放方自行统计，也可以由投放信息的信息平台提供，也可以由第三方服务机构提供，本实施例对此不作限定。
步骤11：获取投放需求参数，根据所述投放需求参数建立目标函数。其中，所述投放需求参数可以由信息投放方根据信息的种类、想要达到的投放结果而定。
步骤12：根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件。
步骤13：在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。所述最优信息投放参数通常可以认为是在所述约束条件下达到最佳投放结果的信息投放参数或参数的组合。
本实施例中，所述实际投放结果参数可以包括用于衡量投放结果的至少一指标的实际值，所述投放需求参数可以包括所述至少一指标的目标值，具体的指标选择可以由信息投放方根据信息的种类、想要达到的投放结果而定。例如，对于新闻、资讯类的信息，衡量投放结果的指标可以设定但不局限于信息的阅读量、点击量、转发量、收藏量等；对于广告类的信息，衡量投放结果的指标可以设定但不局限于广告中产品的购买量、曝光量、购买曝光量等；对于音频/视频类的信息，衡量投放结果的指标可以设定但不局限于点击量、音频/视频的播放时长、转发量、收藏量、下载量等。
如图2所示，步骤11具体可以包括以下步骤：
步骤111：针对每个所述指标的目标值，分别建立子目标函数。
步骤112：结合每个子目标函数，建立总的目标函数。
上述步骤为信息投放的优化过程提供了可量化的目标函数。步骤112可以直接将各子目标函数合并进而得到总的目标函数，但是考虑到各子目标函数的量级可能差异较大、各指标的重要程度可能会有所不同，如果将各子目标函数直接合并可能会出现较大的误差，所以步骤112具体可以运用权重法和无量纲法结合每个子目标函数，建立总的目标函数。
如图3所示，步骤12具体可以包括以下步骤：
步骤121：根据所述历史信息投放参数与所述每个所述指标的实际值之间的映射关系，分别分析所述历史信息投放参数与每个所述指标的关系函数。
步骤122：将所述关系函数作为优化的约束条件。
在执行步骤121时，可以根据所述历史信息投放参数与每个所述指标的实际值之间的关系特点采用不同的算法建模，进而得到关系函数。考虑到这种关系特点可能是十分复杂的，本实施例为了简化计算过程、降低建模难度，步骤121优选利用回归分析法分析所述历史信息投放参数与每个所述指标的关系函数，进一步得到信息投放参数与所达到的实际投放结果的相关性。回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。
本实施例中，信息投放参数可以包括投放所述信息的出价及在信息平台上与所述出价相关联的信息投放位置。出价与信息投放位置之间的关联通常是由信息平台自身决定的，不同的信息投放位置可能带来不同的投放结果。由于出价和信息投放位置之间的关系可能是固定的，步骤12实际分析的可以是投放所述信息的出价与所达到的实际投放结果参数的相关性，步骤121实际分析的可以是投放所述信息的出价与每个所述指标的关系函数。
除了所述信息投放参数与所达到的实际投放结果参数的相关性可以作为优化的约束条件，在实际应用中，所述约束条件还可以包括但不限于：平台投入预算费用限制、信息平台的投放预算上限和下限、信息平台的投放出价上限和下限中的至少一种。其中，平台投入预算费用限制，具体值可以由信息投放方决定，其可以表示一个优化周期内所有信息平台的预算费用总和，优化后的最优信息投放参数所带来所有信息平台的相关花费的总和不应该超过预算费用总和；信息平台的投放预算上限和下限，具体值可以由信息投放方决定，其可以表示一个优化周期内在某个信息平台投放预算费用的最大值和最小值，优化后的最优信息投放参数所带来该信息平台的相关花费的总和应该处于该信息平台投放预算费用的最大值和最小值之间；信息平台的投放出价上限和下限，具体值可以由信息平台决定，其可以表示信息平台允许出价的最大值和最小值，优化后的最优信息投放参数所给出的该信息平台的出价应该处于该信息平台允许出价的最大值和最小值之间。
步骤13根据所述信息投放参数与所达到的实际投放结果的相关性、所述信息投放参数的具体值、衡量投放结果的具体指标，可以选择不同的优化算法。本实施例中，步骤13所使用的所述优化算法可以包括但不限于逐步优化算法、线性规划算法和动态规划算法中的任意一种。
考虑到在实际应用中信息投放方为了获得更好的投放结果，很可能会在一个以上个信息平台投放信息，为了更好地统筹规划所有信息平台的投放策略，本实施例的信息投放优化方法还可以：
针对所述信息被投放至至少一信息平台的情况，所述投放需求参数针对所有信息平台中的每个信息平台设定，所述最优信息投放参数包括所有信息平台中的每个信息平台的信息投放参数。当然，只针对所有信息平台中的部分信息平台设定投放需求参数，所述最优信息投放参数包括所有信息平台中的部分信息平台的信息投放参数，本实施例的信息投放优化方法同样适用。
考虑到在实际应用中信息平台各时段的竞价是实时变化的，本实施例的信息投放优化方法还可以：
针对一个优化周期划分为至少一个时段的情况，所述投放需求参数针对一个优化周期中的每个时段设定，所述最优信息投放参数包括一个优化周期中的每个时段的信息投放参数。当然，只针对一个优化周期中的部分时段设定投放需求参数，所述最优信息投放参数包括一个优化周期中的部分时段的信息投放参数，本实施例的信息投放优化方法同样适用。
当然，同时考虑到信息投放方为了获得更好的投放结果，很可能会将信息投放至一个以上个信息平台，为了更好地统筹规划所有信息平台的投放策略，以及各个信息平台各时段的竞价是实时变化的，本实施例的信息投放优化方法还可以：
针对所述信息被投放至至少一信息平台且一个优化周期划分为至少一个时段的情况，所述投放需求参数针对一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台的信息投放参数。当然，只针对一个优化周期中的每个时段或部分时段内部分信息平台设定投放需求参数，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内部分信息平台的信息投放参数，本实施例的信息投放优化方法同样适用。
实施例2
实施例1中的信息投放优化方法可以应用于多种信息投放场景中，例如广告信息投放场景：广告信息投放方通过向一些信息平台投放广告信息，以达到推广、宣传产品等目的，用于衡量投放结果的指标可以包括但不限于：广告产品的购买量、广告产品的曝光量、广告产品的购买曝光量中的至少一种。当然应用场景不止于此，本实施例不再一一举例。
为了更好的解释说明本发明，本实施例具体给出了一种应用本发明的信息投放优化方法优化App广告信息投放的具体方法。
App品牌商需要向信息平台投放App广告，以达到推广App、扩大品牌宣传、获得更多的App用户等目的。接受投放的信息平台可以包括App应用市场，也可以包括其它广泛的互联网网站或应用。App应用市场诞生的初衷，是让智能手机用户在手机上完成更多的工作和娱乐，用户可以在应用市场中下载各种软件，尽情体验移动互联网带来的乐趣。应用市场采用竞价排名，即根据算法(单位*权重值)计算出App的综合指数，然后根据指数高低决定谁排在第一位。每当用户在应用市场浏览到App广告信息时，App品牌商需要向应用市场付费，这个付费值称为每次曝光单价，即CPE(Cost Per Exposure)。通过App广告信息点击而下载App时，App品牌商也要向应用市场付费，这个付费值称为每次下载单价，即CPD(CostPer Download)。因为是实时竞价，每个时刻每个位置的App广告信息都会发生变化，而App品牌商需要及时修改竞投价格保证投放结果。现存多种操作系统或品牌应用市场，App品牌商需要同时投放多个应用市场，并对所有应用市场的竞价进行统筹管理。
图4示出了本实施例的一种App广告信息投放优化方法。其综合考虑了App的下载量、曝光量、下载曝光量作为衡量App广告信息的投放结果的指标，提出了可量化的目标函数，将回归分析方法得到的信息投放参数(主要包括投放App广告信息的出价)和相关指标之间的关系公式作为约束条件，引进了逐步优化算法，在一个优化周期内，对于所有信息平台的出价参数值做全局优化计算，即从所有信息平台和一整个优化周期两个维度进行优化，最终给出每个信息平台每个时段的出价参考值，使得App品牌方的预算在现有约束条件下获得最大的效益。具体步骤如下：
步骤20：采集历史投放数据。
步骤21：建立目标函数。本实施例提供了三种优化目标：①下载量D最大；②曝光量E最大；③下载曝光率
Figure BDA0002255337220000111
最大。
目标①下载量最大，数学表达式为：
Figure BDA0002255337220000112
式中，D为所有信息平台一个优化周期内的下载量；t为优化时段序号；Di,t为第i个信息平台第t个时段的下载量；T为一个优化周期的时段总数，Γ为信息平台的集合。
目标②曝光量最大，数学表达式为：
Figure BDA0002255337220000113
式中，E为所有信息平台一个优化周期内的曝光量；t为优化时段序号；Ei,t为第i个信息平台第t个时段的曝光量。
目标③下载曝光率最大，数学表示式为：
Figure BDA0002255337220000121
式中，ξ为整个优化周期内App的下载曝光率。
目标函数D、E和ξ的量级差异大，所以不能够直接将三个目标函数合并，必须对目标进行无量纲化处理，并且三个目标之间存在竞争关系，这使得该问题变成了多目标优化问题。运用权重法和无量纲法相结合处理，建立出价参数值的总目标函数，如下式所示：
maxF＝αD(D/Dmax)+αE(E/Emax)+αξξ
式中，Dmax为信息平台App下载量的理论最大值，等于预算/每次下载单价；Emax为信息平台App曝光量的理论最大值，等于预算/每次曝光单价；αD、αE和αξ分别为三个优化目标的权重系数取值在0—1之间，其值由App品牌商确定。
步骤22：计算约束条件。本实施例提供了五种约束条件：①平台投入预算费用限制；②出价和下载量关系约束；③出价和曝光量关系约束；④每个信息平台的预算上下限；⑤每个信息平台的出价上下限。
对于①平台投入预算费用限制
Figure BDA0002255337220000122
Figure BDA0002255337220000123
Figure BDA0002255337220000124
式中，M为整个优化周期内所有市场信息平台预算费用总和，为定值；Mi为第i个信息平台的预算费用；Pi,t为第i个信息平台第t个时段的出价；Ci,t为第i个信息平台第t个时段的花费金额，与下载、曝光需要支付给信息平台的费用有关；
Figure BDA0002255337220000125
为Pi,t到Ci,t的函数关系式，根据第i个信息平台第t个时段的历史出价和花费关系利用回归分析拟合得到。
假设出价和花费之间的线性公式为Ci,t＝αi,tPi,t+βi,t，利用最小二乘法公式得到拟合参数：
Ci,t＝αi,tPi,t+βi,t
Figure BDA0002255337220000131
Figure BDA0002255337220000132
式中，αi,t、βi,t为第i个信息平台第t个时段花费Ci,t和出价Pi,t之间的拟合参数，Pi,j,t为第i个信息平台j天前第t个时段的出价，Ci,j,t为第i个信息平台j天前第t个时段的花费，n为历史数据最大天数。
对于②出价和下载量关系约束
Figure BDA0002255337220000133
式中，
Figure BDA0002255337220000134
为Pi,t到Di,t的函数关系，根据第i个信息平台第t个时段的历史出价和下载量关系运用一元线性回归分析方法拟合得到，可参考①中出价和花费之间的拟合公式。
对于③出价和曝光量关系约束
Figure BDA0002255337220000135
式中，
Figure BDA0002255337220000136
为Pi,t到Ei,t的函数关系，根据第i个信息平台第t个时段的历史出价和曝光量关系运用一元线性回归分析方法拟合得到，可参考式①中出价和花费之间的拟合公式。
对于④每个信息平台的预算上下限
Figure BDA0002255337220000137
式中，
Figure BDA0002255337220000138
为第i个信息平台的预算下限；
Figure BDA0002255337220000139
为第i个信息平台的预算上限。
对于⑤每个信息平台的出价上下限
Figure BDA0002255337220000141
式中，
Figure BDA0002255337220000142
为第i个信息平台的出价下限；
Figure BDA0002255337220000143
为第i个信息平台的的出价上限。
步骤23：在所述约束条件下，利用POA算法优化求解。
考虑到上述建立的出价模型属于多维、多阶段优化问题，所以采用较为成熟的POA算法进行模型求解计算。POA算法不需要对模型中的状态变量和决策变量离散化，可以直接按连续变量求解，所以不会产生因离散化变量而引起的“维数灾”问题。
POA算法是一种改进的动态规划算法，计算时每次只调整多阶段决策中两个阶段的决策变量，从而将多阶段问题转化为多个两阶段问题，除第一次优化的初始解需要人为设定，其余每次优化时以上次优化结果作为初始解，如此逐时段计算，反复循环直至结果满足要求。因为POA算法每次循环只需要考虑两阶段的最优问题，从而大大减少了工作量，适用于本模型的求解。
如图5所示，具体的求解过程如下：
步骤231：设定所有信息平台(假设有m个信息平台)初始解对应的出价、迭代次数N和迭代步长；
步骤232：初始化迭代次数iter＝1；
步骤233：初始化计算时段t＝1；
步骤234：固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
步骤235：根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价{P1,t,P2,t…Pm,t}；
步骤236：判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至步骤234，若不成立，则跳转至步骤237；
步骤237：判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至步骤233，若不成立，则跳转至步骤238；
步骤238：计算整个优化周期内的投放需求参数，取为最优值；
步骤239：判断最优值精度是否满足精度要求(即判断最后两次迭代计算的最优值之差是否小于预设精度)，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转步骤232。
本实施例的优化方法运用优化理论，对于广告信息投放出价问题进行建模，给出了目标函数以及约束条件，运用优化算法进行优化，最终得到全局最优的出价过程，具有以下优点：
(1)提出了可量化的目标函数，运用无量纲化处理方法，对数量级不一致的下载量、曝光量和下载曝光率三个指标进行处理，给出范围在0—1的权重系数供App品牌方取值，综合考虑三个影响出价的目标，使得出价满足App品牌方的要求。
(2)为了分析历史出价、曝光量、下载量和花费之间的相关性，运用一元线性回归分析中的最小二乘法，对历史出价和曝光量，历史出价和下载量，历史出价和花费，做相关性分析，以函数关系式量化历史数据中的相关性，并作为优化的约束条件，使得优化出价过程充分参考历史数据。
(3)提高了信息投放效率以及投放参数与实际投放结果之间的匹配度，从所有信息平台和一个优化周期两个维度内进行全局优化，给出了带权重系数的优化目标函数以及合理的约束条件，运用优化算法进行求解，确保得到最优的出价参考值。
实施例3
图6示出了本实施例的一种信息投放优化系统。所述信息投放优化系统包括：数据采集模块30、目标函数模块31、约束条件模块32和优化求解模块33。
所述数据采集模块30用于采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数。所述目标函数模块31用于获取投放需求参数，根据所述投放需求参数建立目标函数。所述约束条件模块32用于根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件。所述优化求解模块33用于在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。其中，所述历史投放数据可以有一时间限制，例如包括过去一预设时间段内统计的信息投放参数以及该时间段内投放信息所实际达到的投放结果参数，所述历史投放数据可以由信息投放方自行统计，也可以由投放信息的信息平台提供，也可以由第三方服务机构提供，本实施例对此不作限定。所述投放需求参数可以由信息投放方根据信息的种类、想要达到的投放结果而定。所述最优信息投放参数通常可以认为是在所述约束条件下达到最佳投放结果的信息投放参数或参数的组合。
本实施例中，所述实际投放结果参数可以包括用于衡量投放结果的至少一指标的实际值，所述投放需求参数可以包括所述至少一指标的目标值，具体的指标选择可以由信息投放方根据信息的种类、想要达到的投放结果而定。
本实施例中，所述目标函数模块31具体可以用于针对每个所述指标的目标值，分别建立子目标函数，结合每个子目标函数，建立总的目标函数。如果将各子目标函数直接合并可能会出现较大的误差，所述目标函数模块31运用权重法和无量纲法结合每个子目标函数，建立总的目标函数。
所述约束条件模块32具体可以用于根据所述历史信息投放参数与所述每个所述指标的实际值之间的映射关系，分别分析所述历史信息投放参数与每个所述指标的关系函数，将所述关系函数作为优化的约束条件。本实施例为了简化计算过程、降低建模难度，所述约束条件模块32优选利用回归分析法分析所述历史信息投放参数与每个所述指标的关系函数，进一步得到信息投放参数与所达到的实际投放结果的相关性。
本实施例中，所述信息投放参数可以包括投放所述信息的出价及在信息平台上与所述出价相关联的信息投放位置。出价与信息投放位置之间的关联通常是由信息平台自身决定的，不同的信息投放位置可能带来不同的投放结果。由于出价和信息投放位置之间的关系可能是固定的，所述目标函数模块31实际分析的可以是投放所述信息的出价与所达到的实际投放结果参数的相关性，如投放所述信息的出价与每个所述指标的关系函数。
除了所述信息投放参数与所达到的实际投放结果参数的相关性可以作为优化的约束条件，在实际应用中，所述约束条件还可以包括但不限于：平台投入预算费用限制、信息平台的投放预算上限和下限、信息平台的投放出价上限和下限中的至少一种。
所述优化求解模块33根据所述信息投放参数与所达到的实际投放结果的相关性、所述信息投放参数的具体值、衡量投放结果的具体指标，可以选择不同的优化算法。本实施例中，所述优化求解模块33所使用的所述优化算法可以包括但不限于逐步优化算法、线性规划算法和动态规划算法中的任意一种。
考虑到在实际应用中信息投放方为了获得更好的投放结果，很可能会在一个以上个信息平台投放信息，为了更好地统筹规划所有信息平台的投放策略，本实施例的信息投放优化系统还可以：
针对所述信息被投放至至少一信息平台的情况，所述投放需求参数针对所有信息平台中的每个信息平台设定，所述最优信息投放参数包括所有信息平台中的每个信息平台的信息投放参数。当然，只针对所有信息平台中的部分信息平台设定投放需求参数，所述最优信息投放参数包括所有信息平台中的部分信息平台的信息投放参数，本实施例的信息投放优化系统同样适用。
考虑到在实际应用中信息平台各时段的竞价是实时变化的，本实施例的信息投放优化系统还可以：
针对一个优化周期划分为至少一个时段的情况，所述投放需求参数针对一个优化周期中的每个时段设定，所述最优信息投放参数包括一个优化周期中的每个时段的信息投放参数。当然，只针对一个优化周期中的部分时段设定投放需求参数，所述最优信息投放参数包括一个优化周期中的部分时段的信息投放参数，本实施例的信息投放优化系统同样适用。
当然，同时考虑到信息投放方为了获得更好的投放结果，很可能会将信息投放至一个以上个信息平台，为了更好地统筹规划所有信息平台的投放策略，以及各个信息平台各时段的竞价是实时变化的，本实施例的信息投放优化系统还可以：
针对所述信息被投放至至少一信息平台且一个优化周期划分为至少一个时段的情况，所述投放需求参数针对一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台的信息投放参数。当然，只针对一个优化周期中的每个时段或部分时段内部分信息平台设定投放需求参数，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内部分信息平台的信息投放参数，本实施例的信息投放优化系统同样适用。
例如：针对所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段的情况，所述投放需求参数可以针对一个优化周期中的每个时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数可以包括一个优化周期中的每个时段内所有信息平台中的每个信息平台的信息投放参数，所述信息投放参数包括投放所述信息的出价。
所述优化求解模块33在所述约束条件下，利用逐步优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数时，具体用于：
设定所有信息平台中的每个信息平台初始解对应的出价、迭代次数N和迭代步长；
初始化迭代次数iter＝1；
初始化计算时段t＝1；
固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价；
判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价的步骤，若不成立，则：
判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至初始化计算时段t＝1的步骤，若不成立，则：
计算整个优化周期内的投放需求参数，取为最优值；
判断最优值精度是否满足精度要求，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转回初始化迭代次数iter＝1。
本实施例中的信息投放优化系统可以应用于多种信息投放场景中，例如广告信息投放场景：广告信息投放方通过向一些信息平台投放广告信息，以达到推广、宣传产品等目的，用于衡量投放结果的指标可以包括但不限于：广告产品的购买量、广告产品的曝光量、广告产品的购买曝光量中的至少一种。当然应用场景不止于此，本实施例不再一一举例。
实施例4
图7为本发明实施例4提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的信息投放优化方法。图7显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备40可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
总线43包括数据总线、地址总线和控制总线。
存储器42可以包括易失性存储器，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。
存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器41通过运行存储在存储器42中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的信息投放优化方法。
电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例5
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的信息投放优化方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所述的信息投放优化方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种信息投放优化方法，其特征在于，包括：
采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数；
获取投放需求参数，根据所述投放需求参数建立目标函数；
根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件；
在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。
2.如权利要求1所述的信息投放优化方法，其特征在于，所述实际投放结果参数包括用于衡量投放结果的至少一指标的实际值，所述投放需求参数包括所述至少一指标的目标值；
根据所述投放需求参数建立目标函数的步骤包括：
针对每个所述指标的目标值，分别建立子目标函数；
结合每个子目标函数，建立总的目标函数；
根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件的步骤包括：
根据所述历史信息投放参数与每个所述指标的实际值之间的映射关系，分别分析所述历史信息投放参数与每个所述指标的关系函数；
将所述关系函数作为优化的约束条件。
3.如权利要求2所述的信息投放优化方法，其特征在于，运用权重法和无量纲法结合每个子目标函数，建立总的目标函数；
和/或，利用回归分析法分析所述历史信息投放参数与每个所述指标的关系函数。
4.如权利要求1所述的信息投放优化方法，其特征在于，所述信息被投放至至少一信息平台，所述投放需求参数针对所有信息平台中的每个信息平台或部分信息平台设定，所述最优信息投放参数包括所有信息平台中的每个信息平台或部分信息平台的信息投放参数；
或，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段或部分时段设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段的信息投放参数；
或，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台或部分信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段或部分时段内所有信息平台中的每个信息平台或部分信息平台的信息投放参数。
5.如权利要求1或4所述的信息投放优化方法，其特征在于，信息投放参数包括投放所述信息的出价及在信息平台上与所述出价相关联的信息投放位置；
和/或，所述约束条件还包括：平台投入预算费用限制、信息平台的投放预算上限和下限、信息平台的投放出价上限和下限中的至少一种。
6.如权利要求1所述的信息投放优化方法，其特征在于，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段内所有信息平台中的每个信息平台的信息投放参数，所述信息投放参数包括投放所述信息的出价；
在所述约束条件下，利用逐步优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数的步骤，包括：
设定所有信息平台中的每个信息平台初始解对应的出价、迭代次数N和迭代步长；
初始化迭代次数iter＝1；
初始化计算时段t＝1；
固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价；
判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价的步骤，若不成立，则：
判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至初始化计算时段t＝1的步骤，若不成立，则：
计算整个优化周期内的投放需求参数，取为最优值；
判断最优值精度是否满足精度要求，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转回初始化迭代次数iter＝1的步骤。
7.一种信息投放优化系统，其特征在于，包括：
数据采集模块，用于采集历史投放数据，所述历史投放数据包括历史信息投放参数及按照所述历史信息投放参数投放信息所获得的实际投放结果参数；
目标函数模块，用于获取投放需求参数，根据所述投放需求参数建立目标函数；
约束条件模块，用于根据所述历史投放数据，分析所述历史信息投放参数与所述实际投放结果参数之间的相关性，将分析结果作为优化的约束条件；
优化求解模块，用于在所述约束条件下，利用优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数。
8.如权利要求7所述的信息投放优化系统，其特征在于，所述信息被投放至至少一信息平台，一个优化周期划分为至少一个时段，所述投放需求参数针对一个优化周期中的每个时段内所有信息平台中的每个信息平台设定，所述最优信息投放参数包括一个优化周期中的每个时段内所有信息平台中的每个信息平台的信息投放参数，所述信息投放参数包括投放所述信息的出价；
所述优化求解模块在所述约束条件下，利用逐步优化算法求解令所述目标函数达到所述投放需求参数的最优信息投放参数时，具体用于：
设定所有信息平台中的每个信息平台初始解对应的出价、迭代次数N和迭代步长；
初始化迭代次数iter＝1；
初始化计算时段t＝1；
固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价；
根据每个信息平台第t个时段的投放需求参数，选择每个信息平台第t个时段的最优出价；
判断t<T-1是否成立，若成立，则计算t＝t+1并跳转至固定每个信息平台第t-1个时段和第t+1个时段的出价以及按迭代步长调整第t个时段的出价的步骤，若不成立，则：
判断是否符合iter<N，若符合，则计算iter＝iter+1并跳转至初始化计算时段t＝1的步骤，若不成立，则：
计算整个优化周期内的投放需求参数，取为最优值；
判断最优值精度是否满足精度要求，若是，优化结束，最优值状态下每个信息平台的出价即为最优信息投放参数，若否，则将最优值状态下每个信息平台的出价作为初始解，然后跳转回初始化迭代次数iter＝1。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6中任一项所述的信息投放优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6中任一项所述的信息投放优化方法的步骤。
CN201911051022.XA 2019-10-31 2019-10-31 信息投放优化方法及系统、电子设备、存储介质 Pending CN112749824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911051022.XA CN112749824A (zh) 2019-10-31 2019-10-31 信息投放优化方法及系统、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911051022.XA CN112749824A (zh) 2019-10-31 2019-10-31 信息投放优化方法及系统、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN112749824A true CN112749824A (zh) 2021-05-04

Family

ID=75641278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911051022.XA Pending CN112749824A (zh) 2019-10-31 2019-10-31 信息投放优化方法及系统、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN112749824A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191830A (zh) * 2021-07-02 2021-07-30 北京明略软件系统有限公司 资源分配方法、装置、设备及计算机可读介质
CN113506139A (zh) * 2021-07-19 2021-10-15 成都新潮传媒集团有限公司 一种广告投放定价方法、装置及计算机设备
CN114004659A (zh) * 2021-11-05 2022-02-01 北京库睿科技有限公司 多媒体内容的投放方法、装置、计算机设备和介质
CN114781836A (zh) * 2022-04-07 2022-07-22 央视市场研究股份有限公司 一种全域用户智能调度的调研系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110047055A1 (en) * 2009-08-24 2011-02-24 Maximillian Funk Dynamic Computer-Based Information Management System
US20110131128A1 (en) * 2009-12-01 2011-06-02 Vaeaenaenen Mikko Method and means for controlling payment setup
US20110238486A1 (en) * 2010-03-29 2011-09-29 Weiguo Liu Optimizing Sponsored Search Ad Placement for Online Advertising
CN103164805A (zh) * 2011-12-19 2013-06-19 阿里巴巴集团控股有限公司 关键词投放价格优化处理方法及系统
CN108256879A (zh) * 2016-12-28 2018-07-06 北京奇虎科技有限公司 一种广告投放速率调整方法、装置和设备
CN109583921A (zh) * 2017-09-28 2019-04-05 北京国双科技有限公司 广告预算获取方法、装置、存储介质及处理器
CN110263982A (zh) * 2019-05-30 2019-09-20 百度在线网络技术（北京）有限公司 广告点击率预估模型的优化方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110047055A1 (en) * 2009-08-24 2011-02-24 Maximillian Funk Dynamic Computer-Based Information Management System
US20110131128A1 (en) * 2009-12-01 2011-06-02 Vaeaenaenen Mikko Method and means for controlling payment setup
US20110238486A1 (en) * 2010-03-29 2011-09-29 Weiguo Liu Optimizing Sponsored Search Ad Placement for Online Advertising
CN103164805A (zh) * 2011-12-19 2013-06-19 阿里巴巴集团控股有限公司 关键词投放价格优化处理方法及系统
CN108256879A (zh) * 2016-12-28 2018-07-06 北京奇虎科技有限公司 一种广告投放速率调整方法、装置和设备
CN109583921A (zh) * 2017-09-28 2019-04-05 北京国双科技有限公司 广告预算获取方法、装置、存储介质及处理器
CN110263982A (zh) * 2019-05-30 2019-09-20 百度在线网络技术（北京）有限公司 广告点击率预估模型的优化方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
田剑等: "企业广告预算优化模型的研究", 《商业研究》, no. 14, 26 July 2002 (2002-07-26), pages 151 - 152 *
薛征: "多阶段多商品广告预算问题的随机优化模型", 《商业经济》, no. 3, 20 March 2016 (2016-03-20), pages 27 - 28 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191830A (zh) * 2021-07-02 2021-07-30 北京明略软件系统有限公司 资源分配方法、装置、设备及计算机可读介质
CN113506139A (zh) * 2021-07-19 2021-10-15 成都新潮传媒集团有限公司 一种广告投放定价方法、装置及计算机设备
CN113506139B (zh) * 2021-07-19 2024-03-01 成都屏盟科技有限公司 一种广告投放定价方法、装置及计算机设备
CN114004659A (zh) * 2021-11-05 2022-02-01 北京库睿科技有限公司 多媒体内容的投放方法、装置、计算机设备和介质
CN114781836A (zh) * 2022-04-07 2022-07-22 央视市场研究股份有限公司 一种全域用户智能调度的调研系统

Similar Documents

Publication Publication Date Title
CN112749824A (zh) 信息投放优化方法及系统、电子设备、存储介质
Zhang et al. Optimal real-time bidding for display advertising
US20210118015A1 (en) System and Methods for Generating Dynamic Market Pricing for Use in Real-Time Auctions
Kumar et al. Diffusion of innovations under supply constraints
US8015045B2 (en) Method for optimizing net present value of a cross-selling marketing campaign
US8055530B2 (en) System and method for composite pricing of services to provide optimal bill schedule
US8180691B2 (en) System and method for generating optimal bill/payment schedule
CA2788266A1 (en) Inventory management and budgeting system
JP2009517776A (ja) 広告キャンペーン最適化
TWI714113B (zh) 外匯交易量預測方法和裝置
US20090222319A1 (en) System and method for calculating piecewise price and incentive
US20120078730A1 (en) Automatic Internet Search Advertising Campaign Variable Optimization for Aiding Advertising Agency Efficiencies
WO2008016591A2 (en) System and method for scheduling online keyword auctions subject to budget constraints
CN111667311A (zh) 一种广告投放的方法、相关装置、设备以及存储介质
Merzifonluoglu Impact of risk aversion and backup supplier on sourcing decisions of a firm
Liu et al. Game theory-based optimization of distributed idle computing resources in cloud environments
WO2022063118A1 (zh) 用于确定价格敏感度的方法和装置
Gao et al. Bidding agent design in the linkedin ad marketplace
Liang et al. Online ad procurement in non-stationary autobidding worlds
CN111461632A (zh) 商品供需平衡方法及系统、服务器及介质
JP7101403B2 (ja) 電力取引支援装置及び電力取引支援方法
CN116151894A (zh) 多渠道搜索广告实时竞价全局优化方法及系统
Clamp et al. Pricing the cloud: an adaptive brokerage for cloud computing
US20140114792A1 (en) Electronic commerce system
Choi et al. Optimizing reserve prices in display advertising auctions

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