CN115713369A - 一种广告智能排序方法 - Google Patents

Abstract

本发明公开了一种广告智能排序方法，包括，S1、基于投放产品在某个应用媒体上的激活转化率和在整体流量上的激活转化率，获取投放产品的整体激活转化率；S2、根据投放产品的整体激活转化率与当前投放产品的预估转化率，确定用于计算投放产品得分的浮动系数；S3、基于浮动系数计算投放产品的得分，并根据得分高低对所有的投放产品进行排序，得分越高的投放产品排序越靠前。优点是：通过广告排序公式的参数设计，加权用户偏好更大的广告的排序得分，解决了单纯转化率乘以价格计算得分带来的一系列问题。在基本不降低流水的情况下，有效提高了转化率，保证了广告产品尽量投放至感兴趣的用户，做到了业务流水和用户体验的双提高。

Description

一种广告智能排序方法

技术领域

本发明涉及广告智能排序技术领域，尤其涉及一种广告智能排序方法。

背景技术

广告推荐作为是目前移动广告平台广告引擎核心返回方式，其中主要涉及两个方面，广告转化预估和最终的排序方法。广告的转化预估一般采用机器学习模型通过用户特征和行为进行深度学习计算，得到当前用户最满足目标设定的一个广告集合和转化得分。而决定最终展示给用户广告的则是根据换化得分，通过一套计算方法，获得最终排序，以排序靠前者为最优结果。

目前广告的排序设计大多以广告平台获得最大流水为目标，即转化率和广告主结算价格的乘积作为得分来进行排序，此方法存在明显的缺陷，广告主出价较高的产品，往往转化率较低，仅追求流水最大值，则会导致广告展示效率低下、模型有效样本减少、高价产品集中、马太效应明显等问题。

发明内容

本发明的目的在于提供一种广告智能排序方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种广告智能排序方法，包括如下步骤，

S1、基于投放产品在某个应用媒体上的激活转化率和在整体流量上的激活转化率，获取投放产品的整体激活转化率；

S2、根据投放产品的整体激活转化率与当前投放产品的预估转化率，确定用于计算投放产品得分的浮动系数；

S3、基于浮动系数计算投放产品的得分，并根据得分高低对所有的投放产品进行排序，得分越高的投放产品排序越靠前。

优选的，步骤S1具体为，

若cvr_app＞0，则cvr＝cvr_app，否则cvr＝cvr_total；且cvr_app和cvr_total的计算都必须满足3000以上的曝光，否则取默认值，默认值为0；

其中，cvr_app为投放产品在某个应用媒体上的激活转化率；cvr_total为投放产品在整体流量上的激活转化率；cvr为投放产品的整体激活转化率。

优选的，步骤S2具体为，

若cvr＝0，则w＝1；

若cvr＞0，则

其中，cvr_p为当前投放产品的预估转化率；a为权重基数，a＞1；

和

取值范围为(1，m)，m为截断。

优选的，步骤S3中计算广告得分具体为，

Score＝w*f_ranking(出价，转化率)+random(0，0.1)

f_ranking(出价，转化率)

＝(1000*转化率*出价+1000*Pc*ctr+1000*Pv*cvr)*(1+ClickUniqueNum)/(1+ImpressionUniqueNum)

其中，Score为投放产品的得分；1000*转化率*出价，即ecpm；Pv＝1；当投放产品的计费类型为CPC类型时，Pc＝0.1，“转化率”为ctr，当投放产品的计费类型为CPA类型时，Pc＝0.01，“转化率”为cvr；ctr为点击率，通过点击量除以曝光量计算获取；ClickUniqueNum为去重点击数；ImpressionUniqueNum为去重曝光数：

若cvr、ctr是经过预估的结果，则在计算Score时，ClickUniqueNum＝0，ImpressionUniqueNum＝0；若cvr、ctr不是经过预估的结果，则在计算Score时，ClickUniqueNum和ImpressionUniqueNum采用历史统计值；random(0，0.1)为随机函数。

本发明的有益效果是：1、通过广告排序公式的参数设计，加权用户偏好更大的广告的排序得分，解决了单纯转化率乘以价格计算得分带来的一系列问题。2、在基本不降低流水的情况下，有效提高了转化率，保证了广告产品尽量投放至感兴趣的用户，做到了业务流水和用户体验的双提高。

附图说明

图1是本发明实施例中排序方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本实施例中，提供了一种广告智能排序方法，包括如下步骤，

S1、基于投放产品在某个应用媒体上的激活转化率和在整体流量上的激活转化率，获取投放产品的整体激活转化率；

S2、根据投放产品的整体激活转化率与当前投放产品的预估转化率，确定用于计算投放产品得分的浮动系数；

S3、基于浮动系数计算投放产品的得分，并根据得分高低对所有的投放产品进行排序，得分越高的投放产品排序越靠前。

本实施例中，步骤S1具体为，

若cvr_app＞0，则cvr＝cvr_app，否则cvr＝cvr_total；且cvr_app和cvr_total的计算都必须满足3000以上的曝光，否则取默认值，默认值为0；

其中，cvr_app为投放产品在某个应用媒体上的激活转化率；cvr_total为投放产品在整体流量上的激活转化率；cvr为投放产品的整体激活转化率。

具体的，cvr_app指的是当前用户所在app的过去一段时间统计的这个产品的cvr，例如，一个开心消消乐的用户请求广告，系统给他返回了一个下载类app，那么我们会计算整个开心消消乐上用户对这个下载类产品的cvr，即cvr_app。

cvr_total则是指不仅是开心消消乐，而是历史上一段时间所有请求过广告的应用上面整体的cvr；系统首先会使用用户所在app的统计转化率，如果没有则使用全局的；这里的逻辑在于，我们需要对比当前用户我们预估的转率，在这个应用上和整体水平上是高还是低，高则优先展示，低则降低展示权重，这样做的好处在于：比如有两个广告产品，经过“cvr_p*价格”得到的得分一样，但事实上这个用户的cvr_p如果处于历史转化用户群的高位，那我们应该优先给用户推荐这个高的产品，这样更有利于用户接受这个广告，用户容易接受则其转化和后续的体验就会提高。

本实施例中，步骤S2具体为，

若cvr＝0，则w＝1；

若cvr＞0，则

其中，cvr_p为当前投放产品的预估转化率；a为权重基数，a＞1；

和

取值范围为(1，m)，m为截断，取值为11。

cvr具体指的是激活到曝光的转化率，即广告激活数/广告曝光数；则预估转化率cvr_p指的是广告投放系统收到广告请求以后，根据用户和场景和历史数据特征利用算法模型预测的一个转化率。

本实施例中，广告的计费模式包括CPC、CPA。CPC是指点击计费，按照每次广告点击的价格计费。例如某个广告单次点击价格为0.5元，则CPC＝0.5。CPA是按行动付费，一种按照广告投放实际效果计费的方式。这里的行动不是固定，通常可以指问卷、表单、咨询、电话、注册、下载、加入购物车、下单等用户实际行动，这个一般在投放广告前可与媒体或者代理商约定好，只有在用户发生约定好的行动时，才会收取广告费用。CPA总广告费＝出价*行动次数。例如投放下载类CPA广告，选择20元作为每次转化费用，只要有一个用户点击了广告并进行了下载操作，那么就要支付20元广告费，则每次CPA价格为20元。

ecpm指的是每一千次展示可以获得的广告收入。一般广告的转化率不高，所以一般以1000次展示的收入作为一个单位，即ecpm值。

本实施例中，步骤S3中计算广告得分具体为，

Score＝w*f_ranking(出价，转化率)+random(0，0.1)

f_ranking(出价，转化率)

＝(1000*转化率*出价+1000*Pc*ctr+1000*Pv*cvr)*(1+ClickUniqueNum)/(1+ImpressionUniqueNum)

其中，Score为投放产品的得分；1000*转化率*出价，即ecpm；Pv＝1；当投放产品的计费类型为CPC类型时(即广告以点击计费时)，Pc＝0.1，“转化率”为ctr，当投放产品的计费类型为CPA类型时(即广告以激活计费时)，Pc＝0.01，“转化率”为cvr；ctr为点击率，通过点击量除以曝光量计算获取；由于当前广告大多为转化效果类即考察激活计费，因此“转化率”通常为cvr。ClickUniqueNum为去重点击数；ImpressionUniqueNum为去重曝光数；

若cvr、ctr是经过预估的结果，则在计算Score时，ClickUniqueNum＝0，ImpressionUniqueNum＝0；若cvr、ctr不是经过预估的结果，则在计算Score时，ClickUniqueNum和ImpressionUniqueNum采用历史统计值；random(0，0.1)为随机函数；也就是说，不经过预估的话，ClickUniqueNum和ImpressionUniqueNum采用历史统计值，这里的逻辑是，如果经过预估则使用预估值，如果没有预估的情况下，根据历史统计值算出一个得分。

最终根据得分情况进行排序，并以排序为依据将广告投放给用户。

本实施例中，如果预估值即「转化率」因异常无法拿到的时候，则以历史统计的ctr/cvr/ClickUniqueNum/ImpressionUniqueNum作为依据计算得到得分。且，公式在最后加了一个极小的随机函数random(0，0.1)，以增加得分的探索性。

本实施例中，通过增加一个浮动系数w，靠系数w来影响公式得分的权重，而系数w则是依据，将预估的当前用户的转化率和此广告整体、媒体级别的平均转化进行对比，判断当前用户的预估转化处于什么位置，如果靠前则得分提高，靠后则得分降低。从而使得既保证整体流水的情况下，提高转化率，将广告更多的分配给感兴趣的用户，从而也提高了用户体验。

对比当前用户cvr是否是此应用的头部用户，或者全局的头部用户，如果是，则w系数变高，从而影响排序得分，使得高预估转化的用户获得更多的曝光机会，此逻辑的好处在于，

1、头部用户的高转化会提高整体的转化率，中间相对减权的是价格(得分＝转化率*价格)从而通过转化率平衡了流水的损失，整体流水不下降；

2、头部获得自己喜欢看的广告，有利于降低用户对广告的反感，提高了用户体验；

3、转化率在排序中通过系数w的调节，加强高转化，降低转化，提高了整体的广告转化率，转化率的提高有利于更多更丰富的广告产品触达用户，丰富了投放转化的产品品类，有利于广告平台的生态多样性。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种广告智能排序方法，该方法通过广告排序公式的参数设计，加权用户偏好更大的广告的排序得分，解决了单纯转化率乘以价格计算得分带来的一系列问题；在基本不降低流水的情况下，有效提高了转化率，保证了广告产品尽量投放至感兴趣的用户，做到了业务流水和用户体验的双提高。

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本发明的保护范围。

Claims (4)

1.一种广告智能排序方法，其特征在于：包括如下步骤，

S1、基于投放产品在某个应用媒体上的激活转化率和在整体流量上的激活转化率，获取投放产品的整体激活转化率；

S2、根据投放产品的整体激活转化率与当前投放产品的预估转化率，确定用于计算投放产品得分的浮动系数；

S3、基于浮动系数计算投放产品的得分，并根据得分高低对所有的投放产品进行排序，得分越高的投放产品排序越靠前。

2.根据权利要求1所述的广告智能排序方法，其特征在于：步骤S1具体为，

若cvr_app＞0，则cvr＝cvr_app，否则cvr＝cvr_total；且cvr_app和cvr_total的计算都必须满足3000以上的曝光，否则取默认值，默认值为0；

其中，cvr_app为投放产品在某个应用媒体上的激活转化率；cvr_total为投放产品在整体流量上的激活转化率；cvr为投放产品的整体激活转化率。

3.根据权利要求2所述的广告智能排序方法，其特征在于：步骤S2具体为，

若cvr＝0，则w＝1；

若cvr＞0，则

其中，cvr_p为当前投放产品的预估转化率；a为权重基数，a＞1；

和

取值范围为(1，m)，m为截断。

4.根据权利要求3所述的广告智能排序方法，其特征在于：步骤S3中计算广告得分具体为，

Score＝w*f_ranking(出价，转化率)+random(0，0.1)

f_ranking(出价，转化率)

＝(1000*转化率*出价+1000*Pc*ctr+1000*Pv*cvr)*(1+ClickUniqueNum)/(1+ImpressionUniqueNum)

其中，Score为投放产品的得分；1000*转化率*出价，即ecpm；Pv＝1；当投放产品的计费类型为CPC类型时，Pc＝0.1，“转化率”为ctr，当投放产品的计费类型为CPA类型时，Pc＝0.01，“转化率”为cvr；ctr为点击率，通过点击量除以曝光量计算获取；ClickUniqueNum为去重点击数；ImpressionUniqueNum为去重曝光数；

若cvr、ctr是经过预估的结果，则在计算Score时，ClickUniqueNum＝0，ImpressionUniqueNum＝0；若cvr、ctr不是经过预估的结果，则在计算Score时，ClickUniqueNum和ImpressionUniqueNum采用历史统计值；random(0，0.1)为随机函数。

Images