CN116485477A - 一种广告估值的处理方法、装置和电子设备 - Google Patents
一种广告估值的处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116485477A CN116485477A CN202310722795.6A CN202310722795A CN116485477A CN 116485477 A CN116485477 A CN 116485477A CN 202310722795 A CN202310722795 A CN 202310722795A CN 116485477 A CN116485477 A CN 116485477A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- candidate
- virtual
- neural network
- network model
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 230000008901 benefit Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100269157 Caenorhabditis elegans ads-1 gene Proteins 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 101150054854 POU1F1 gene Proteins 0.000 description 1
- 102000001999 Transcription Factor Pit-1 Human genes 0.000 description 1
- 108010040742 Transcription Factor Pit-1 Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种广告估值的处理方法、装置和电子设备,属于互联网技术领域,其方法包括:离线训练虚拟估值函数的神经网络模型,虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;依次获取与每个候选广告相关的关键数据,关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;根据神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;以及根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
Description
技术领域
本发明涉及互联网技术领域,具体涉及一种广告估值的处理方法、装置和电子设备。
背景技术
目前,互联网电商平台大多采用多坑广告拍卖机制来决定广告在页面上的次序并获得盈利,拍卖通常使用按点击付费模式,每个广告提交一个对于用户点击的报价,平台根据广告提交的报价决定广告在网页上的排列方案,和一个广告被点击时广告实际支付的价格。
传统广告拍卖机制通常基于点击率的可分离假设,即靠前的广告坑位总是比靠后的广告坑位带来更高的点击率。基于此假设,传统拍卖机制使用对候选广告按某种打分标准从高到低排序,依次分配对应坑位的方式决定广告坑位分配。但这一点击率模型是过度简化的,更准确的点击率模型需要考虑不同商品之间对展示效果的互相影响,称为外部性影响,坑位不再有固定的优劣顺序。因此,传统广告拍卖机制不能与考虑外部性的点击率模型兼容,造成广告分配方案不够有效,广告点击率较低,拍卖收入受到损失。
另外,许多传统广告拍卖机制不满足称为激励相容性的经济学性质,使得广告的出价有可能偏离真实价值,难以预测,可能对拍卖结果产生不利影响。
在外部性影响下,求解最优广告坑位分配方案比较困难,一些考虑外部性的现有广告拍卖机制使用穷举搜索等方法求解分配方案,造成计算代价大、计算时间长,不适用于实时性要求很高的电商平台广告拍卖场景。
因此,如何得到一种新型的广告估值的处理方法,通过该广告估值的处理方法,即使在外部性影响下,仍能够自动生成求解最优广告坑位分配方案,并且该求解最优广告坑位分配方案具有计算代价小、计算时间短、且能够适用于实时性要求很高的电商平台广告拍卖场景中,是待解决的技术问题。
发明内容
基于此,有必要针对现有的求解的最优广告坑位分配方案所存在的上述缺陷,提供一种广告估值的处理方法、装置、存储介质、电子设备和计算机程序产品。
第一方面,本申请实施例提供了一种广告估值的处理方法,所述方法包括:
离线训练虚拟估值函数的神经网络模型,所述虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;
依次获取与每个候选广告相关的关键数据,所述关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
根据所述神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;
根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
优选的,所述根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案,包括:
获取每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据;
根据每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据,计算每个候选广告依次放置在不同的坑位所对应的等效收益;
根据所有的候选广告依次放置在不同的坑位所对应的等效收益所构成的权重矩阵,生成对应的权重二分图,其中,N为大于或等于1的自然数,M为大于或等于1的自然数;
根据所述权重二分图,以及二分图最大权重匹配模型求解匹配的最大总权重值,所述二分图最大权重匹配模型采用二分图最大权重匹配算法,所述二分图最大权重匹配算法包括:选择M条没有重复端点的边,以使得对应的总权重值最大;
根据所述匹配的最大总权重值确定对应的匹配方案,并将所述匹配方案作为所确定的每个候选广告在广告位上的分配方案。
优选的,所述根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息,包括:
根据二分图最大权重匹配模型,依次查询到每个候选广告所对应的多个虚拟估计值的关键点;
通过神经网络的逆函数,得到多个虚拟估计值的关键点中的每一个虚拟估计值的关键点对应的报价信息;
根据每一个虚拟估计值的关键点对应的报价信息,以及每个候选广告得到的广告坑位点击率所对应的跳变高度,对每个候选广告的定价的进行计算处理,得到对应的每个候选广告的定价信息。
优选的,所述离线训练虚拟估值函数的神经网络模型包括:
获取与广告历史出价相关的关联数据,所述关联数据包括:任意一次广告出价中依次对应的用户信息、候选广告列表、各个候选广告的出价数据、每个候选广告的特征信息和每个广告在每个坑位的预测点击率信息;
通过随机梯度下降方法训练神经网络模型的权重,在神经网络模型的损失函数无限趋近最小时,停止迭代训练,得到所述神经网络模型,以使得所述神经网络模型基于目标广告的广告的特征信息和目标广告的广告的报价数据,计算目标广告的虚拟估值。
优选的,在所述得到所述神经网络模型之后,所述方法还包括:
根据预设方式对神经网络模型的训练结果进行验证,得到对应的验证结果;
在所述验证结果符合验证所述神经网络模型有效的预设条件的情况下,采用所述神经网络模型计算所述目标广告的所述虚拟估值;否则,重新训练所述神经网络模型,直至验证神经网络模型为有效模型为止。
优选的,所述据预设方式对神经网络模型的训练结果进行验证,包括:
获取待验证的广告历史集合;
将所述待验证的广告历史集合中的广告历史数据均输入至所述神经网络模型中进行处理,生成对应的分配方案和所述待验证的广告历史集合中的任意一个广告对应的定价信息;
根据所述分配方案中的每个广告的点击率和对应的定价信息进行计算,生成对应的期望付费值;
对所述待验证的广告历史集合中的所有广告依次对应的期望付费值进行广告求和处理,得到一次广告历史拍卖过程所对应的广告期望付费值;
遍历每一次广告历史拍卖过程,并依次计算并对每一广告历史拍卖过程所对应的广告期望付费值进行求和处理,得到广告平台期望付费总值,并将所述广告平台期望付费总值作为评估所述验证结果的一项关键评估参数。
优选的,还包括:
获取每个候选广告在广告位上的分配方案;
根据所述分配方案,依次将不同广告坑位上放入对应的候选广告;
获取与所述候选广告对应的非广告展示内容、非广告展示区域和非广告展示页面设置;
根据所述非广告展示区域和非广告展示页面设置,对所述候选广告和所述非广告展示内容进行组合设置,以形成组合后的展示页面。
优选的,还包括:
响应于所述展示页面上的任意一个广告的点击触发操作,获取对应广告的定价信息,以按照所述定价信息对所述广告对应的广告主执行收费操作。
第二方面,本申请实施例提供了一种广告估值的处理装置,所述装置包括:
训练模块,用于离线训练虚拟估值函数的神经网络模型,所述虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;
获取模块,用于依次获取与每个候选广告相关的关键数据,所述关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
估值模块,用于根据所述神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
确定模块,用于根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;
计算模块,用于根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述的方法步骤。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的方法步骤。
在本申请实施例中,离线训练虚拟估值函数的神经网络模型,虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;依次获取与每个候选广告相关的关键数据,关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;根据神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;以及根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。本申请实施例提供的广告估值的处理方法,能够根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案,该确定的每个候选广告在广告位上的分配方案具有计算代价小、计算时间短、且能够适用于实时性要求很高的电商平台广告拍卖场景中的优点;此外,根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息;上述得到每个候选广告的定价信息的过程由于引入了激励相容性约束模型,使得得到的每个候选广告的定价信息更加准确,每个候选广告的定价更加符合对应广告的真实定价。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请一示例性实施例提供的广告估值的处理方法的流程图;
图2为具体应用场景中的广告估值的处理方法的示意图;
图3为具体应用场景中的广告估值的处理方法中的离线训练虚拟估值函数神经网络处理过程的流程图;
图4为具体应用场景中的确定广告位分配步骤中的二分图示意图;
图5为具体应用场景中的广告估值的处理方法中的实时广告拍卖流程图处理过程的流程图;
图6为根据本申请一示例性实施例提供的广告估值的处理方法装置600的结构示意图;
图7示出了本申请一示例性实施例提供的一种电子设备的示意图;
图8示出了本申请一示例性实施例提供的一种计算机可读介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外,术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种广告估值的处理方法及装置、一种电子设备以及计算机可读介质,下面结合附图进行说明。
本申请实施例提供的广告估值的处理方法的核心思想:通过从出价历史数据中学习广告出价分布对应的虚拟估值,与结合外部性的点击率相乘计算出每一对广告-坑位配对的等效收益,通过二分图最大权匹配算法计算广告分配方案,以在保证激励相容性质的前提下最大化拍卖收入。
针对上述核心思想做如下说明:
激励相容性质是经济学和博弈论中拍卖机制的重要性质,代表广告主真实出价总是最优策略,能使自己获得最高的期望效用。具体地,每个广告主的目标是通过广告获得用户点击,每次用户点击会为他带来一定的价值,可以换算成某个金额v,单位为元。当其他广告主的出价固定时,此广告主提交报价b给拍卖机制后所得广告坑位的点击率记为x(b)(如果没有被分配到广告坑位则x(b)=0),并得到一个定价记为p(b),如果此广告主的广告得到了用户点击,则需要向平台支付p(b)的费用。广告主的期望效用定义为x(b)⋅(v-p(b)),即期望意义下点击带来的价值减去付出的费用。而激励相容性质要求真实出价b=v总是能使广告主的期望效用最高,即x(b)⋅(v-p(b))在b=v时取得最大值。只要拍卖机制满足激励相容性质时,可以假设广告主始终采用真实出价,因此,出价分布与拍卖机制的具体设计无关。
虚拟估值函数是一个较为复杂的理论概念,它是一个由广告主出价分布决定的函数,将广告主的报价映射为一个虚拟估值。虚拟估值的含义是,在激励相容性质约束下,拍卖机制对于广告主的收费需要低于广告主的报价,而报价对应的虚拟估值代表了均摊意义上广告主将会支付的价格。例如,假如一个广告主的出价服从0到1之间的均匀分布(单位为元),将他的出价记为b,那么他的分布对应的虚拟估值函数为ϕ(b)=2b-1。当b=0.6时,对应的虚拟估值为ϕ(b)=0.2,也就是说,如果展示了该广告主的广告,实际点击率为CTR,那么这次拍卖中的这个广告主在均摊意义上给广告平台带来0.2*CTR元的收入。当b=0.3时,对应的虚拟估值为ϕ(b)=-0.4为负值,这意味着,此时,展示该广告在均摊意义上反而会降低广告平台的收入。更粗略地说,广告主的一次出价对应的虚拟估值代表了从平台收入的视角看的这次出价的潜在价值。
经济学理论表明,为了最大化广告平台总收入,需要最大化每一次用户请求中各个被展示的广告的虚拟估值与它的点击率的乘积的总和。这使得拍卖机制设计可以分成两部分:学习虚拟估值函数(的估计值)、设计能找到这一总和最大的分配方案的算法。虚拟估值可以被看作广告的权重。现有的不考虑外部性的拍卖机制通常认为越靠前的广告坑位能带来的点击率越高,因此广告位分配方案是直接将广告按照权重由大到小排序。但考虑到外部性影响时,不同广告在不同坑位下由于受到周围商品(主要是非广告商品)的内容影响,点击率没有固定的顺序。由于广告商品的数量少于非广告商品,假设当一个广告放在一个广告位时,就可以结合周围非广告商品对它的影响,较为准确地确定它的点击率,而不再考虑其它广告的排列对这个广告的影响。基于这个假设,使用二分图最大权匹配算法计算广告位分配方案。需要说明的是,点击率的估计方法由一个现有的考虑外部性的点击率预估系统完成。
请参考图1,其示出了本申请的一些实施方式所提供的广告估值的处理方法的流程图,如图1所示,广告估值的处理方法可以包括以下步骤:
步骤S101:离线训练虚拟估值函数的神经网络模型,虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数。
在一种可能的实现方式中,离线训练虚拟估值函数的神经网络模型包括以下步骤:
获取与广告历史出价相关的关联数据,关联数据包括:任意一次广告出价中依次对应的用户信息、候选广告列表、各个候选广告的出价数据、每个候选广告的特征信息和每个广告在每个坑位的预测点击率信息;
通过随机梯度下降方法训练神经网络模型的权重,在神经网络模型的损失函数无限趋近最小时,停止迭代训练,得到神经网络模型,以使得神经网络模型基于目标广告的广告的特征信息和目标广告的广告的报价数据,计算目标广告的虚拟估值。
针对上述离线训练虚拟估值函数的神经网络模型过程中训练神经网络权重过程所涉及的算法做如下解释和说明:
提出的训练方法是设计合适的损失函数,通过随机梯度下降方法训练神经网络权重,使神经网络能够根据广告的特征和报价,计算出对虚拟估值的较精确的估计。具体地,在历史出价数据的每次拍卖中,对编号为i的广告,设他的特征为,报价为/>。在给定特征时,广告出价服从某个未知的条件分布,这一分布的虚拟估值函数记为/>。神经网络输入/>和/>,输出对虚拟估值函数/>的估计值,记为/>,其中/>表示神经网络的权重。再从0到/>区间内均匀采样一个样本/>,计算/>。
设计损失函数为:
。
理论分析表明,当的期望值最小时,/>将等于/>。因此,计算/>对/>的梯度,利用常规的随机梯度下降方法对网络参数/>进行训练,在充分训练使/>接近最小后,成为对/>的较精确的估计。
在一种可能的实现方式中,在得到神经网络模型之后,本申请实施例所提供的广告估值的处理方法还包括以下步骤:
根据预设方式对神经网络模型的训练结果进行验证,得到对应的验证结果;
在验证结果符合验证神经网络模型有效的预设条件的情况下,采用神经网络模型计算目标广告的虚拟估值;否则,重新训练神经网络模型,直至验证神经网络模型为有效模型为止。
在一种可能的实现方式中,据预设方式对神经网络模型的训练结果进行验证,包括以下步骤:
获取待验证的广告历史集合;
将待验证的广告历史集合中的广告历史数据均输入至神经网络模型中进行处理,生成对应的分配方案和待验证的广告历史集合中的任意一个广告对应的定价信息;
根据分配方案中的每个广告的点击率和对应的定价信息进行计算,生成对应的期望付费值;
对待验证的广告历史集合中的所有广告依次对应的期望付费值进行广告求和处理,得到一次广告历史拍卖过程所对应的广告期望付费值;
遍历每一次广告历史拍卖过程,并依次计算并对每一广告历史拍卖过程所对应的广告期望付费值进行求和处理,得到广告平台期望付费总值,并将广告平台期望付费总值作为评估验证结果的一项关键评估参数。
如图2所示,为具体应用场景中的广告估值的处理方法的示意图。
在实际应用场景中,广告估值的处理方法包括离线训练虚拟估值函数神经网络的过程和实时广告拍卖的过程。
在初始部署时,先使用离线训练虚拟估值函数神经网络方法,训练神经网络。在每次用户请求中,执行实时广告拍卖方法,确定广告坑位分配方案和广告定价,此过程中需要调用训练完成的神经网络。后期随着出价数据的收集和更新,可以重新训练神经网络。
离线训练虚拟估值函数神经网络方法的作用是利用广告的出价历史数据,训练一个用于估计广告的虚拟估值函数的神经网络。这一虚拟估值函数神经网络在拍卖系统中起到关键作用。这一神经网络满足以下条件:
条件1:以单个广告的特征数据和报价为输入,输出对应的虚拟估值的估计值。
条件2:对于报价单调,即当广告的特征不变,输入报价增大时,输出值不减小。
条件3:可以计算对于报价的逆函数,即给定广告的特征数据和一个虚拟估值,能反推出对应的报价,使得输入此报价时恰好输出给定的虚拟估值。
实时广告拍卖过程在每次用户广告请求中决定广告展示方案和对广告主的定价。具体地,在一次用户展示请求(例如,关键词搜索和推荐信息流)中,需要展示一些广告结果和非广告结果。其中,页面上的非广告结果的内容和位置已经确定,还有一些广告坑位用于展示广告结果。例如:有M个广告坑位和N个候选广告,那么每个广告主i向拍卖系统提交一个报价(也称为出价),代表一次用户点击对于此广告主的价值。拍卖系统决定广告坑位的分配,每个广告坑位展示一个广告,而每个候选广告最多被分配一个坑位。对每个被分配到坑位的广告,拍卖系统还会决定一个对于点击的定价。此过程需要考虑到候选广告主的报价、广告主特征和用户特征、点击率的外部性影响等因素。拍卖系统决定了广告坑位分配方案和定价之后,向广告坑位填入广告,将完整页面展示给用户。随后如果用户点击了其中的一个广告,则平台向对应的广告主收取费用,费用等于定价。
如图3所示,为具体应用场景中的广告估值的处理方法中的离线训练虚拟估值函数神经网络处理过程的流程图。
如图3所示,离线训练虚拟估值函数神经网络处理过程包括以下步骤:
步骤S301:获取历史出价数据和广告特征;
历史拍卖数据即在过去的广告拍卖中记录的过程数据,包含了每次广告拍卖中的用户信息、候选广告列表、各个候选广告的出价数据、每个候选广告的特征、每个广告在每个坑位的预测点击率。每个广告在每次拍卖中的特征是一个实数向量,由其他业务系统提供,用于预测广告的出价分布信息,编码了广告商品的类别和价格等属性,以及与用户的交互特征,例如用户对此类商品的偏好情况。
步骤S302:训练神经网络权重;
提出的训练方法是设计合适的损失函数,通过随机梯度下降方法训练神经网络权重,使神经网络能够根据广告的特征和报价,计算出对虚拟估值的较精确的估计。具体地,在历史出价数据的每次拍卖中,对编号为i的广告,设他的特征为,报价为/>。在给定特征时,广告出价服从某个未知的条件分布,这一分布的虚拟估值函数记为/>。神经网络输入/>和/>,输出对虚拟估值函数/>的估计值,记为/>,其中/>表示神经网络的权重。再从0到/>区间内均匀采样一个样本/>,计算/>。
设计损失函数为:
。
理论分析表明,当的期望值最小时,/>将等于/>。因此,计算/>对/>的梯度,利用常规的随机梯度下降方法对网络参数/>进行训练,在充分训练使/>接近最小后,成为对/>的较精确的估计。
步骤S303:验证训练结果;
在训练完成后,为了验证训练效果,对每个历史拍卖重新运行拍卖机制,其中计算虚拟估值的估计值时以训练所得的神经网络进行计算,得到分配方案和定价。根据分配方案中每个广告的点击率乘以其定价得到期望付费,对所有广告求和,再对所有历史拍卖数据求和,得到广告平台期望总收入。验证期望总收入符合预期,例如相比用旧版本数据训练的神经网络能获得的期望总收入有提高。如果符合预期则采用训练得到的神经网络,否则发出提醒,需要排查问题和重新训练。
步骤S102:依次获取与每个候选广告相关的关键数据,关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
步骤S103:根据神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
步骤S104:根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案。
针对确定每个候选广告在广告位上的分配方案所采用的算法做如下解释和说明:
计算每个广告i放在每一个坑位j的等效收益,等于广告i的虚拟估值/>乘上广告i在坑位j的点击率/>,即/>。所有/>形成N×M的权重矩阵,代表了一个带权完全二分图,左侧是广告,右侧是广告坑位,每个广告i和每个坑位j之间有一条权重为/>的边。使用二分图最大权匹配算法求解最大权匹配,即,选择M条没有重复端点的边使得总权重最大。将最大权匹配方案作为广告坑位分配方案,即当一个广告和一个坑位之间的边被选择时就把该坑位分配给该广告。
如图4所示为具体应用场景中的确定广告位分配步骤中的二分图示意图。如图4所示,在坑位1上展示广告1,在坑位2上展示广告2。
例:假设N=3,M=2,如图4,假设每条边的权重如图4中标出。最大权匹配方案是选择(广告1,坑位1)和(广告2,坑位2),因此,拍卖机制决定在坑位1、2中分别展示广告1、2。
在一种可能的实现方式中,根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案,包括以下步骤:
获取每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据;
根据每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据,计算每个候选广告依次放置在不同的坑位所对应的等效收益;
根据所有的候选广告依次放置在不同的坑位所对应的等效收益所构成的权重矩阵,生成对应的权重二分图,其中,N为大于或等于1的自然数,M为大于或等于1的自然数;
根据权重二分图,以及二分图最大权重匹配模型求解匹配的最大总权重值,二分图最大权重匹配模型采用二分图最大权重匹配算法,二分图最大权重匹配算法包括:选择M条没有重复端点的边,以使得对应的总权重值最大;
根据匹配的最大总权重值确定对应的匹配方案,并将匹配方案作为所确定的每个候选广告在广告位上的分配方案。
步骤S105:根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
针对激励相容性约束模型所采用的的算法作如下解释和说明:
经济学理论表明,当确定分配方案的计算方法之后,只有唯一的定价方案满足激励相容性约束。据此计算对每个广告的定价,以保证激励相容性约束。具体实现方法是利用二分图最大权匹配问题的性质,对每个广告找出若干个虚拟估值的关键点,即当其他人的虚拟估值不变,而广告/>的虚拟估值从最低值上升到实际的/>的过程中,使广告/>得到的坑位点击率发生向上跳变的虚拟估值。对每个虚拟估值的关键点,通过神经网络的逆函数得到对应报价,乘以点击率跳变大小,再对所有关键点求和,就是对广告/>的定价。
用公式表达如下:当其他广告的虚拟估值不变,广告的虚拟估值从变为/>时,广告得到的广告坑位点击率是/>的函数,可以表示为/>,其中每个是虚拟估值的一个关键点,而/>是点击率的跳变高度,/>在/>时等于1,在时为0。广告i的定价为/>,其中/>是固定其他变量时关于/>的虚拟估值函数/>,/>表示/>的逆函数。
在一种可能的实现方式中,根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息,包括以下步骤:
根据二分图最大权重匹配模型,依次查询到每个候选广告所对应的多个虚拟估计值的关键点;
通过神经网络的逆函数,得到多个虚拟估计值的关键点中的每一个虚拟估计值的关键点对应的报价信息;
根据每一个虚拟估计值的关键点对应的报价信息,以及每个候选广告得到的广告坑位点击率所对应的跳变高度,对每个候选广告的定价的进行计算处理,得到对应的每个候选广告的定价信息。
在一种可能的实现方式中,本申请实施例所提供的广告估值的处理方法还包括以下步骤:
获取每个候选广告在广告位上的分配方案;
根据分配方案,依次将不同广告坑位上放入对应的候选广告;
获取与候选广告对应的非广告展示内容、非广告展示区域和非广告展示页面设置;
根据非广告展示区域和非广告展示页面设置,对候选广告和非广告展示内容进行组合设置,以形成组合后的展示页面。
在一种可能的实现方式中,本申请实施例所提供的广告估值的处理方法还包括以下步骤:
响应于展示页面上的任意一个广告的点击触发操作,获取对应广告的定价信息,以按照定价信息对广告对应的广告主执行收费操作。
如图5所示,为具体应用场景中的广告估值的处理方法中的实时广告拍卖流程图处理过程的流程图;
步骤S501:获取广告出价、广告特征和预估点击率;
从候选广告处接收报价,从其他业务系统查询每个候选广告的特征。向点击率预估系统发送用户信息、候选广告的内容信息、已确定的非广告物品的内容和展示位置,接收考虑了外部性影响的每个广告i在每个坑位j的点击率预估值。
步骤S502:估计虚拟估值函数;
对每个候选广告,将他的特征和出价/>输入虚拟估值函数神经网络,得到虚拟估值的估计值/>。
步骤S503:确定广告位分配;
计算每个广告i放在每一个坑位j的等效收益,等于广告i的虚拟估值/>乘上广告i在坑位j的点击率/>,即/>。所有/>形成N×M的权重矩阵,代表了一个带权完全二分图,左侧是广告,右侧是广告坑位,每个广告i和每个坑位j之间有一条权重为/>的边。使用二分图最大权匹配算法求解最大权匹配,即,选择M条没有重复端点的边使得总权重最大。将最大权匹配方案作为广告坑位分配方案,即当一个广告和一个坑位之间的边被选择时就把该坑位分配给该广告。例:假设N=3,M=2,如图4,假设每条边的权重如图4中标出。最大权匹配方案是选择(广告1,坑位1)和(广告2,坑位2),因此,拍卖机制决定在坑位1、2中分别展示广告1、2。
步骤S504:确定广告位定价;
经济学理论表明,当确定分配方案的计算方法之后,只有唯一的定价方案满足激励相容性约束。据此计算对每个广告的定价,以保证激励相容性约束。具体实现方法是利用二分图最大权匹配问题的性质,对每个广告找出若干个虚拟估值的关键点,即当其他人的虚拟估值不变,而广告/>的虚拟估值从最低值上升到实际的/>的过程中,使广告/>得到的坑位点击率发生向上跳变的虚拟估值。对每个虚拟估值的关键点,通过神经网络的逆函数得到对应报价,乘以点击率跳变大小,再对所有关键点求和,就是对广告/>的定价。
用公式表达如下:当其他广告的虚拟估值不变,广告的虚拟估值从变为/>时,广告得到的广告坑位点击率是/>的函数,可以表示为/>,其中每个是虚拟估值的一个关键点,而/>是点击率的跳变高度,/>在/>时等于1,在时为0。广告i的定价为/>,其中/>是固定其他变量时关于/>的虚拟估值函数/>,/>表示/>的逆函数。
步骤S505:广告展示和收费;
根据广告位分配方案,在广告坑位放入对应广告,与非广告商品组合成完整页面展现给用户。如果某个广告被用户点击,则对对应的广告按照定价收费。
本申请实施例提供的广告估值的处理方法,具有以下优点:
优点1:提高拍卖收入。充分利用广告主特征和出价数据,学习对虚拟估值函数的较精确的估计,使广告坑位分配更有利于平台收入。经过理论分析,证明本系统的拍卖收入具有理论保证。
优点2:严格满足经济学性质。通过保证激励相容性质,确保广告主在诚实出价时获得最高收益,因此广告主的行为可以根据历史数据被预测,平台收益有保障。
优点3:采用了带有外部性影响的点击率模型。考虑了外部性对点击率的影响,能够利用非广告结果的内容和排列信息,更准确地预测广告-坑位组合点击率,从而得到更有效的广告分配方案,整体增大点击率,使广告平台收益得到提升。
优点4:降低计算代价。离线训练虚拟估值函数神经网络方法的损失函数计算简便、计算代价低,易于使用随机梯度下降方法对神经网络权重进行训练。实时拍卖方法利用了较高效的二分图最大权匹配算法,具有较低的时间复杂度,能够快速计算得到高质量的分配结果和相应定价,适应实时拍卖场景。同时,当历史拍卖数据添加和更新时只需重新训练虚拟估值函数神经网络,即可得到新的拍卖机制,维护成本较低。
本申请实施例提供的广告估值的处理方法,能够根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案,该确定的每个候选广告在广告位上的分配方案具有计算代价小、计算时间短、且能够适用于实时性要求很高的电商平台广告拍卖场景中的优点;此外,根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息;上述得到每个候选广告的定价信息的过程由于引入了激励相容性约束模型,使得得到的每个候选广告的定价信息更加准确,每个候选广告的定价更加符合对应广告的真实定价。
在上述的实施例中,提供了一种广告估值的处理方法,与之相对应的,本申请还提供一种广告估值的处理装置。本申请实施例提供的广告估值的处理装置可以实施上述广告估值的处理方法,该广告估值的处理装置可以通过软件、硬件或软硬结合的方式来实现。例如,该广告估值的处理装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。
请参考图6,其示出了本申请的一些实施方式所提供的一种广告估值的处理装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图6所示,广告估值的处理装置600可以包括:
训练模块601,用于离线训练虚拟估值函数的神经网络模型,虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;
获取模块602,用于依次获取与每个候选广告相关的关键数据,关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
估值模块603,用于根据神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
确定模块604,用于根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;
计算模块605,用于根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
在本申请实施例的一些实施方式中,确定模块604具体用于:
获取每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据;
根据每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据,计算每个候选广告依次放置在不同的坑位所对应的等效收益;
根据所有的候选广告依次放置在不同的坑位所对应的等效收益所构成的权重矩阵,生成对应的权重二分图,其中,N为大于或等于1的自然数,M为大于或等于1的自然数;
根据权重二分图,以及二分图最大权重匹配模型求解匹配的最大总权重值,二分图最大权重匹配模型采用二分图最大权重匹配算法,二分图最大权重匹配算法包括:选择M条没有重复端点的边,以使得对应的总权重值最大;
根据匹配的最大总权重值确定对应的匹配方案,并将匹配方案作为所确定的每个候选广告在广告位上的分配方案。
在本申请实施例的一些实施方式中,计算模块605具体用于:
根据二分图最大权重匹配模型,依次查询到每个候选广告所对应的多个虚拟估计值的关键点;
通过神经网络的逆函数,得到多个虚拟估计值的关键点中的每一个虚拟估计值的关键点对应的报价信息;
根据每一个虚拟估计值的关键点对应的报价信息,以及每个候选广告得到的广告坑位点击率所对应的跳变高度,对每个候选广告的定价的进行计算处理,得到对应的每个候选广告的定价信息。
在本申请实施例的一些实施方式中,训练模块601具体用于:
获取与广告历史出价相关的关联数据,关联数据包括:任意一次广告出价中依次对应的用户信息、候选广告列表、各个候选广告的出价数据、每个候选广告的特征信息和每个广告在每个坑位的预测点击率信息;
通过随机梯度下降方法训练神经网络模型的权重,在神经网络模型的损失函数无限趋近最小时,停止迭代训练,得到神经网络模型,以使得神经网络模型基于目标广告的广告的特征信息和目标广告的广告的报价数据,计算目标广告的虚拟估值。
在本申请实施例的一些实施方式中,广告估值的处理装置600还可以包括:
验证模块(在图6中未示出),用于在得到神经网络模型之后,根据预设方式对神经网络模型的训练结果进行验证,得到对应的验证结果;
处理模块(在图6中未示出),用于在验证结果符合验证神经网络模型有效的预设条件的情况下,采用神经网络模型计算目标广告的虚拟估值;否则,重新训练神经网络模型,直至验证神经网络模型为有效模型为止。
在本申请实施例的一些实施方式中,验证模块具体用于:
获取待验证的广告历史集合;
将待验证的广告历史集合中的广告历史数据均输入至神经网络模型中进行处理,生成对应的分配方案和待验证的广告历史集合中的任意一个广告对应的定价信息;
根据分配方案中的每个广告的点击率和对应的定价信息进行计算,生成对应的期望付费值;
对待验证的广告历史集合中的所有广告依次对应的期望付费值进行广告求和处理,得到一次广告历史拍卖过程所对应的广告期望付费值;
遍历每一次广告历史拍卖过程,并依次计算并对每一广告历史拍卖过程所对应的广告期望付费值进行求和处理,得到广告平台期望付费总值,并将广告平台期望付费总值作为评估验证结果的一项关键评估参数。
在本申请实施例的一些实施方式中,获取模块602还用于:
获取每个候选广告在广告位上的分配方案;以及获取与候选广告对应的非广告展示内容、非广告展示区域和非广告展示页面设置;
放入模块(在图6中未示出),用于根据分配方案,依次将不同广告坑位上放入对应的候选广告;
设置模块(在图6中未示出),用于根据非广告展示区域和非广告展示页面设置,对候选广告和非广告展示内容进行组合设置,以形成组合后的展示页面。
在本申请实施例的一些实施方式中,获取模块602还用于:
响应于展示页面上的任意一个广告的点击触发操作,获取对应广告的定价信息,以按照定价信息对广告对应的广告主执行收费操作。
在本申请实施例的一些实施方式中本申请实施例提供的广告估值的处理装置600,与本申请前述实施例提供的广告估值的处理方法出于相同的发明构思,具有相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的广告估值的处理装置对应的电子设备,电子设备可以是用于服务端的电子设备,例如服务器,包括独立的服务器和分布式服务器集群等,以执行上述广告估值的处理方法;电子设备也可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行上述广告估值的处理方法。
请参考图7,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图7所示,电子设备70包括:处理器700,存储器701,总线702和通信接口703,处理器700、通信接口703和存储器701通过总线702连接;存储器701中存储有可在处理器700上运行的计算机程序,处理器700运行计算机程序时执行本申请前述的广告估值的处理方法。
其中,存储器701可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器701用于存储程序,处理器700在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的广告估值的处理方法可以应用于处理器700中,或者由处理器700实现。
处理器700可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器700读取存储器701中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的广告估值的处理方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的广告估值的处理方法对应的计算机可读介质,请参考图8,其示出的计算机可读存储介质为光盘80,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述广告估值的处理方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的广告估值的处理方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
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,所揭露的装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
所述功能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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (10)
1.一种广告估值的处理方法,其特征在于,所述方法包括:
离线训练虚拟估值函数的神经网络模型,所述虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;
依次获取与每个候选广告相关的关键数据,所述关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
根据所述神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;
根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
2.根据权利要求1所述的处理方法,其特征在于,所述根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案,包括:
获取每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据;
根据每个候选广告对应的虚拟估计值和每个候选广告在不同坑位的点击率数据,计算每个候选广告依次放置在不同的坑位所对应的等效收益;
根据所有的候选广告依次放置在不同的坑位所对应的等效收益所构成的权重矩阵,生成对应的权重二分图,其中,N为大于或等于1的自然数,M为大于或等于1的自然数;
根据所述权重二分图,以及二分图最大权重匹配模型求解匹配的最大总权重值,所述二分图最大权重匹配模型采用二分图最大权重匹配算法,所述二分图最大权重匹配算法包括:选择M条没有重复端点的边,以使得对应的总权重值最大;
根据所述匹配的最大总权重值确定对应的匹配方案,并将所述匹配方案作为所确定的每个候选广告在广告位上的分配方案。
3.根据权利要求2所述的处理方法,其特征在于,所述根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息,包括:
根据二分图最大权重匹配模型,依次查询到每个候选广告所对应的多个虚拟估计值的关键点;
通过神经网络的逆函数,得到多个虚拟估计值的关键点中的每一个虚拟估计值的关键点对应的报价信息;
根据每一个虚拟估计值的关键点对应的报价信息,以及每个候选广告得到的广告坑位点击率所对应的跳变高度,对每个候选广告的定价的进行计算处理,得到对应的每个候选广告的定价信息。
4.根据权利要求1所述的处理方法,其特征在于,所述离线训练虚拟估值函数的神经网络模型包括:
获取与广告历史出价相关的关联数据,所述关联数据包括:任意一次广告出价中依次对应的用户信息、候选广告列表、各个候选广告的出价数据、每个候选广告的特征信息和每个广告在每个坑位的预测点击率信息;
通过随机梯度下降方法训练神经网络模型的权重,在神经网络模型的损失函数无限趋近最小时,停止迭代训练,得到所述神经网络模型,以使得所述神经网络模型基于目标广告的广告的特征信息和目标广告的广告的报价数据,计算目标广告的虚拟估值。
5.根据权利要求4所述的处理方法,其特征在于,在所述得到所述神经网络模型之后,所述方法还包括:
根据预设方式对神经网络模型的训练结果进行验证,得到对应的验证结果;
在所述验证结果符合验证所述神经网络模型有效的预设条件的情况下,采用所述神经网络模型计算所述目标广告的所述虚拟估值;否则,重新训练所述神经网络模型,直至验证神经网络模型为有效模型为止。
6.根据权利要求5所述的处理方法,其特征在于,所述据预设方式对神经网络模型的训练结果进行验证,包括:
获取待验证的广告历史集合;
将所述待验证的广告历史集合中的广告历史数据均输入至所述神经网络模型中进行处理,生成对应的分配方案和所述待验证的广告历史集合中的任意一个广告对应的定价信息;
根据所述分配方案中的每个广告的点击率和对应的定价信息进行计算,生成对应的期望付费值;
对所述待验证的广告历史集合中的所有广告依次对应的期望付费值进行广告求和处理,得到一次广告历史拍卖过程所对应的广告期望付费值;
遍历每一次广告历史拍卖过程,并依次计算并对每一广告历史拍卖过程所对应的广告期望付费值进行求和处理,得到广告平台期望付费总值,并将所述广告平台期望付费总值作为评估所述验证结果的一项关键评估参数。
7.根据权利要求1所述的处理方法,其特征在于,还包括:
获取每个候选广告在广告位上的分配方案;
根据所述分配方案,依次将不同广告坑位上放入对应的候选广告;
获取与所述候选广告对应的非广告展示内容、非广告展示区域和非广告展示页面设置;
根据所述非广告展示区域和非广告展示页面设置,对所述候选广告和所述非广告展示内容进行组合设置,以形成组合后的展示页面。
8.根据权利要求7所述的处理方法,其特征在于,还包括:
响应于所述展示页面上的任意一个广告的点击触发操作,获取对应广告的定价信息,以按照所述定价信息对所述广告对应的广告主执行收费操作。
9.一种广告估值的处理装置,其特征在于,所述装置包括:
训练模块,用于离线训练虚拟估值函数的神经网络模型,所述虚拟估值函数的神经网络模型用于生成广告的虚拟估值函数;
获取模块,用于依次获取与每个候选广告相关的关键数据,所述关键数据至少包括与每个候选广告对应的广告出价数据、广告特征和预估点击率数据;
估值模块,用于根据所述神经网络模型依次对每个候选广告的虚拟估值函数进行估值,得到每个候选广告对应的虚拟估计值;
确定模块,用于根据每个候选广告对应的虚拟估计值确定每个候选广告在广告位上的分配方案;
计算模块,用于根据激励相容性约束模型,依次对每个候选广告的定价进行计算,得到对应的每个候选广告的定价信息。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722795.6A CN116485477B (zh) | 2023-06-19 | 2023-06-19 | 一种广告估值的处理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722795.6A CN116485477B (zh) | 2023-06-19 | 2023-06-19 | 一种广告估值的处理方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485477A true CN116485477A (zh) | 2023-07-25 |
CN116485477B CN116485477B (zh) | 2023-11-10 |
Family
ID=87212137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310722795.6A Active CN116485477B (zh) | 2023-06-19 | 2023-06-19 | 一种广告估值的处理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485477B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325585A1 (en) * | 2012-06-04 | 2013-12-05 | Alon Amit | Advertisement Selection and Pricing Using Discounts Based on Placement |
US20140046754A1 (en) * | 2012-08-13 | 2014-02-13 | Kuang-chih Lee | Estimating conversion rate in display advertising from past performance data |
CN105844493A (zh) * | 2016-03-30 | 2016-08-10 | 新浪网技术(中国)有限公司 | 实时竞价广告出价建议实现方法及装置 |
CN108696596A (zh) * | 2018-05-29 | 2018-10-23 | 南京财经大学 | 云集成无线-光纤混合接入网络中服务组合问题的资源提供方法 |
CN108805611A (zh) * | 2018-05-21 | 2018-11-13 | 北京小米移动软件有限公司 | 广告筛选方法及装置 |
CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 |
CN111178943A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 广告实时出价方法、装置及电子设备 |
CN111178981A (zh) * | 2020-01-02 | 2020-05-19 | 众安在线财产保险股份有限公司 | 一种广告投放方法、装置、计算机设备及存储介质 |
CN111429230A (zh) * | 2020-04-01 | 2020-07-17 | 电子科技大学 | 一种最大化社交网络上拍卖收益的方法 |
CN112163886A (zh) * | 2020-09-30 | 2021-01-01 | 大连海事大学 | 一种基于强化学习的实时竞价广告资源分配方法 |
CN114493724A (zh) * | 2022-02-17 | 2022-05-13 | 浙大城市学院 | 一种基于多任务学习的竞价关键词效果预估模型构建方法 |
-
2023
- 2023-06-19 CN CN202310722795.6A patent/CN116485477B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325585A1 (en) * | 2012-06-04 | 2013-12-05 | Alon Amit | Advertisement Selection and Pricing Using Discounts Based on Placement |
US20140046754A1 (en) * | 2012-08-13 | 2014-02-13 | Kuang-chih Lee | Estimating conversion rate in display advertising from past performance data |
CN105844493A (zh) * | 2016-03-30 | 2016-08-10 | 新浪网技术(中国)有限公司 | 实时竞价广告出价建议实现方法及装置 |
CN108805611A (zh) * | 2018-05-21 | 2018-11-13 | 北京小米移动软件有限公司 | 广告筛选方法及装置 |
CN108696596A (zh) * | 2018-05-29 | 2018-10-23 | 南京财经大学 | 云集成无线-光纤混合接入网络中服务组合问题的资源提供方法 |
CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 |
CN111178943A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 广告实时出价方法、装置及电子设备 |
CN111178981A (zh) * | 2020-01-02 | 2020-05-19 | 众安在线财产保险股份有限公司 | 一种广告投放方法、装置、计算机设备及存储介质 |
CN111429230A (zh) * | 2020-04-01 | 2020-07-17 | 电子科技大学 | 一种最大化社交网络上拍卖收益的方法 |
CN112163886A (zh) * | 2020-09-30 | 2021-01-01 | 大连海事大学 | 一种基于强化学习的实时竞价广告资源分配方法 |
CN114493724A (zh) * | 2022-02-17 | 2022-05-13 | 浙大城市学院 | 一种基于多任务学习的竞价关键词效果预估模型构建方法 |
Non-Patent Citations (1)
Title |
---|
钱俊: "基于深度学习的无线虚拟化网络资源拍卖机制研究", 硕士电子期刊 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485477B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210118015A1 (en) | System and Methods for Generating Dynamic Market Pricing for Use in Real-Time Auctions | |
Gensler et al. | Willingness-to-pay estimation with choice-based conjoint analysis: Addressing extreme response behavior with individually adapted designs | |
JP5394915B2 (ja) | オンライン広告のための分散アーキテクチャ | |
US8788345B2 (en) | Method and apparatus for advertising bidding | |
JP5801425B2 (ja) | 広告の累進価格設定方式 | |
US20080103896A1 (en) | Specifying, normalizing and tracking display properties for transactions in an advertising exchange | |
US20190019213A1 (en) | Predicting the effectiveness of a marketing campaign prior to deployment | |
US20080103897A1 (en) | Normalizing and tracking user attributes for transactions in an advertising exchange | |
TWI444917B (zh) | 線上廣告中之佔位符標價之方法、系統及其電腦可讀取媒體 | |
US20110173063A1 (en) | Advertiser value-based bid management in online advertising | |
US20080103898A1 (en) | Specifying and normalizing utility functions of participants in an advertising exchange | |
EP2826013A1 (en) | Cost-per-action model based on advertiser-reported actions | |
US11966947B1 (en) | System and methods for using a revenue value index to score impressions for users for advertisement placement | |
CN111899041A (zh) | 信息投放的处理和投放方法、装置、设备及存储介质 | |
US20210374809A1 (en) | Artificial intelligence techniques for bid optimization used for generating dynamic online content | |
Stange et al. | Real-time advertising | |
US20120130828A1 (en) | Source of decision considerations for managing advertising pricing | |
US9558506B2 (en) | System and method for exploring new sponsored search listings of uncertain quality | |
US20080103837A1 (en) | Risk reduction for participants in an online advertising exchange | |
CN111222902B (zh) | 广告投放方法、装置、系统、计算设备及存储介质 | |
JP2012502346A5 (zh) | ||
CN103150661A (zh) | 预测广告客户关键词性能指示值 | |
US20080103792A1 (en) | Decision support for tax rate selection | |
US20140129323A1 (en) | Predictive model for adjusting click pricing | |
CN116485477B (zh) | 一种广告估值的处理方法、装置和电子设备 |
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 |