1.1算法用途................................................................................................................................................................
1.2算法概述................................................................................................................................................................
2.算法详细说明........................................................................................................................................................................
2.1广告活动匹配........................................................................................................................................................
2.2实时竞价算法........................................................................................................................................................
3.算法改进方向........................................................................................................................................................................
3.1特征属性的选择....................................................................................................................................................
3.2点击率预测............................................................................................................................................................
3.3竞价调整方式........................................................................................................................................................
4.补充问题 ................................................................................................................................................................................
4.1无历史数据阶段....................................................................................................................................................
4.2利用历史数据阶段 ...............................................................................................................................................
4.3展示的分布控制....................................................................................................................................................
5.参考文献 ................................................................................................................................................................................
6.附件.........................................................................................................................................................................................
6.1名词 ........................................................................................................................................................................
6.2算法总体流程图....................................................................................................................................................
6.3输入输出表............................................................................................................................................................
6.4数据预处理流程....................................................................................................................................................
6.5计算权重算法流程 ...............................................................................................................................................
6.6模型检验................................................................................................................................................................
1.算法简介
1.1算法用途
RTB（Real-TimeBidding）实时竞价，是一种利用第三方技术在数以百万计的媒体上针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，只针对有意义的用户进行购买。它的核心是DSP平台（需求方平台），在DMP数据的支持下根据媒体，广告特点和人的属性进行定向投放。RTB对于媒体来说，可以带来更多的广告销量、实现销售过程自动化及减低各项费用的支出。而对于广告商和代理公司来说，最直接的好处就是提高了效果与投资回报率。
RTB算法有几种常见的策略：展现优化（针对品牌推广）目标，点击率（CTR）优化目标和ROI(投资回报率)优化目标。其核心都是要做到合适的广告展现给合适的人。ROI优化是最直接能体现广告主的投资收益率的指标，但是目前情况下受RTB业界技术限制和公司数据支持情况的限制，点击率优化是现实可行的RTB竞价方法。虽然该方法不能直接体现在用户的投资收益率指标上，但是优良的点击率很大程度上会带来良好的收益。
目前针对RTB算法中的点击率预测有很多种方法，如：逻辑回归，决策树，两阶段广义线性模型，非线性规划模型，典型方程等。选用逻辑回归的主要原因在于该算法成熟，对输入变量要求较低，既可以处理枚举型变量，又可以处理连续型变量。输出结果较稳定可靠。
本算法主要以点击率（CTR）为优化目标，并选择逻辑回归作为主模型进行设计。
1.2算法概述
首先对RTB的竞价流程总结如下图所示：
图1RTB竞价流程图
从上图中可以看出，实时竞价算法的输入主要包括以下信息：
1）Exchange端提供的广告位信息；
2）用户id，DMP收集的用户属性信息；
3）广告主发布的活动信息及竞价策略；
4）竞价历史（媒体信息，广告位，获胜竞价，用户id等）。
表1:RTB算法输入之竞价历史
实时竞价算法的输出主要是获胜的(广告活动信息，竞价)组。
实时竞价算法主要由两部分构成，一是广告活动的匹配，二是根据媒体，广告活动及用户属性等进行出价。
图2RTB竞价算法流程
2.算法详细说明
2.1广告活动匹配
广告活动匹配的目的是为了筛选出满足媒体广告位要求，以及符合用户属性特征的广告活动集合。首先，根据请求中的媒体广告位信息对广告活动进行初步筛选，过滤掉一些无效的广告活动，如：不满足广告位要求的广告活动等。然后，利用DMP系统中查找到的用户特征信息，以及广告活动的投放人群属性定向再次筛选广告活动。广告活动的投放人群属性定向主要包括访客所在地区，年龄，性别，婚姻状况，教育程度，兴趣爱好，购买偏好等。
主要包括以下步骤：
第一步，将请求中的媒体广告位信息与DSP系统中的广告活动信息进行初步匹配，筛选出满足条件的广告活动集合；如果不存在广告活动，则不参与此次请求的竞价。
第二步，利用DMP系统，根据用户id，获取用户特征信息。
第三步，将筛选出的广告活动集合与用户特征进行匹配，进一步筛选广告活动集合。
图3广告匹配流程
表2广告活动匹配需要考虑的信息
关于匹配度的计算问题涉及到商业策略及广告本身估值，用户的估值，媒体的估值及DSP端广告集合的分析等情况，在综合分析的情况下，才能给出在特定商业策略上的匹配度，该部分计算放在后续进行。
2.2实时竞价算法
通过广告匹配算法能够筛选出符合媒体信息和用户特征的广告活动，接下来需要对筛选出的广告活动进行竞价，并排序，返回一系类(广告活动，竞价)结果组。
广告活动的投放类型一般有CPC和CPM两种，目前只考虑CPC投放类型，如果是投放类型是CPM，可以将CPM转化为CPC 进行竞价，转换原则为：
CPM=CPC*CTR*1000
总体来说，实时竞价算法可以分为以下两个步骤：
1.获得每次广告展示的价值，即在给定的相关展现水平和需求数据的情况下，对该次广告展现预期成本，表示形式如下：
其中eCPI表示每次展现的预期成本，即最优竞价估值。
CPC在给定的广告系列中是已设定的常数。
预测CTR是一个关键的步骤：
其中条件中的impression包括了与该次展示机会相关的数据，比如用户信息；campaign包括了广告活动的相关数据。
2．实时竞价的调整
根据竞价策略以及历史竞价数据调整实际竞价。
2.2.1广告展示估值
为了准确地评估每次广告展示的价值，需要对该广告的点击率进行预测。初次使用系统时，由于缺乏获胜的历史竞价信息，可以使用默认的点击率，如：该品牌往常的点击率或其他平台媒体经验值等。随着历史数据的增加，需要根据用户和媒体等信息，对每次展示机会预测点击率。
当获得足够多的历史数据时，可以利用媒体特征信息（如：广告位置等），用户特征（如：年龄，兴趣等），广告活动特征（如：
创意，关键字等）构建点击率预测模型。由于特征属性信息非常多，首先需要进行属性特征提取，获得有价值的属性特征。然后根据历史数据，构建点击率预测模型。当获得一个展示机会的时候，针对每个广告活动，根据用户和媒体的属性值进行点击率预测。
图4点击率预测流程
2.2.1.1特征提取
在一个广告系统中，每一次出价和服务事件，包括广告机会，拍卖的获胜者，以及浏览该广告展现的用户都能够被记录。每一个广告机会通过其属性进行描述，包括url，出版商，广告位置以及用户统计信息，geo位置信息。获胜信息包括获胜的竞价值，实际的花费等。通常，有很多的目标属性值。它们中的大多数是复杂的布尔逻辑规则来匹配广告商想作为目标的广告库存，作为竞价需要考虑的因素也不应过多，造成算法的复杂程度过大，难以满足实时竞价的时间要求。因此，特征选择是系统中至关重要的一个因素。在选择特征的时候，有两个方面的方法可以选用。
1）经验法。通过对行业的了解及属性的分析，对属性进行筛选。
2）采用适当的算法对属性对竞价的影响进行分析，计算每个属性对竞价的影响程度。选择影响因素大的属性作为特征属性。
表3需要考虑的特征属性信息
我们采用基于过滤的Fast-Correlation(FCBF)方法选择特征子集[1]，该方法对处理特征数目较大时非常有效。其基本原理描述如下：设数据集D有n条记录，且每条记录由m个非目标特征和一个目标特征C来刻画。如果非目标特征与目标特征之间的相关性过低（给定阈值），则将该特征作为不相关特征去除，如果两个非目标特征之间的相关性过大，超过了这两个特征与目标特征的相关性时，则认为两个特征之间存在冗余，这两种情况均需要进行删除。
FCBF是一个确定性算法来消除与目标值相关度较低的属性或非目标属性过度相关的属性冗余。它能使我们在很大程度上消减特征搜索时间。它依据对称不确定性计算特征和目标值的相关性，定义如下：
I G X Y的值是Y给X带来的信息增益，并且其中IG是信息增益（InformationGain），H是熵（Entropy）。(|)
。SU是IG的一个归一化值。通过对目标属性与非目标属性及非目标属性之间SU的计算，在给定的阈值(|)(|)
I G X Y I G Y X
基础上，进行属性选择。
2.2.1.2 点击率预测
在特征子集选择的基础上，对点击率进行预测。
点击率预测问题可以看成是一个分类问题，把(媒体，广告活动，用户)看成是一个多元组，针对每一个多元组，有一个预测目标，是否点击。该问题可以看成是一个典型的逻辑回归问题。
假设有n 个训练样本集，1{((,,),)}j j n j j j j D p a u c ==f ，其中(,,)j d
j j j p a u ∈?f 表示由多元组（媒体，广告活动，用户）属
性值构成的一个d 维向量，{0,1}j
c ∈是相应的分类标签(+1，点击，或者0：没有点击)。给定一个媒体p ，广告活动a ，以及用户
u ，需要计算点击的概率(|,,)p c p a u 。采用逻辑回归模型，表示形式如下：
其中
(,,)i f p a u 表示从多元组(,,)p a u 获得的第i 个属性的值，i w ∈w 关于它的权重。给定训练样本集合，模型通过减少数据中的
总损失计算权重向量w ，公式如下：
可以用L-BFGS 算法[3]求解这种大规模的凸优化问题。具体方法如下。
L-BFGS 算法步骤如下： Step1:选初始点0w ，允许误差0ε>，存储最近迭代次数m （一般取6）；
Step2:000,,()k
H I f ===?r w ；
其中：令=(,,)j
j
j j j p a u x
f ，则-1
()[(1)
]1+1+T j
T j
j j n
j
j
j f c
c e
e
=-?=+-∑w x w x x x w 。
Step3:如果
1()k f ε+?≤w ，则返回最优解1k +w ，否则转Step4；
(注：1
2
2
=1
|||| = (||)
n
i i x ∑
x )
Step4:计算本次迭代的可行方向：k =-p r ；
Step5:计算步长0k
α>，对下面式子进行Backtracking 线性搜索：
()min ()k k k k k f f ααα≥+=+w p w p ；
Step6:更新权重w ：1k k k k α+=+w w p ；
Step7:如果k
m >，只保留最近m 次的向量对，需要删除(,)k m k m --s y ；
Step8:计算并保存：1k
k k +=-s w w ，1()()k k k f f +=?-?y w w ；
Step9:用two-looprecursion 算法近似计算r ；
k=k+1，转Step3。
two-looprecursion 算法:
令1()k q
f +=?w ，
步骤1：对1,
,i m =，循环以下运算：11T
i k i k i s q αρ+-+-=，1i k i q q y α+-=-；
步骤2：01k r
H q +=；
步骤3：对,
,1i m =，循环以下运算：11T
k i k i y r βρ+-+-=
，1()k i i r r s αβ+-=+-。
其中：
1/T
k k k y s ρ=，
1k k k s +=-w w ，
1()()k k k y f f +=?-?w w ，
Backtracking 线性搜索算法：
任选
0,,(0,1)c αρ>∈，令αα←，
重复直到
()()T k k k k k f p f c f p αα+≤+?w w ， 结束(重复) 终止k
αα=。
表4:点击率预测输入向量
注：如果属性值是分类型变量，特别是名义型变量，则需要将其转化为哑变量，再进行Logistic 回归分析。如：多分类变量有四个取值（A/B/C/D ），这时需要设置三列哑变量，比如D2,D3,D4,如果变量值是B ，则D2=1，否则取0，如果是C ，则用D3=1，否则取0，如果是D ，则D4=1，否则取0。可以以如下的矩阵方式进行存储。
如果属性值是连续型变量，则需要对变量进行标准化处理，以消除因数据单位不同而引起的计算结果的偏差，一般采用z-score 标准化方法，方法如下：
令max min max min max ,min ,i i x x x x R x x ===-，则
'min
i i x x x R
-=
，
如果属性值是连续型变量，则需要对变量进行标准化处理，以消除因数据单位不同而引起的计算结果的偏差，一般采用z-score 标准化方法，方法如下： 经变换，各变量落入[0,1]区间。
2.2.2 竞价调整
为了获得实时竞价调整参数值，利用历史数据建立线性规划模型，通过对偶理论将其转化为一个低维数形式，求解得到竞价调整参数的初值，然后利用控制论方法，基于一些误差函数调整竞价与满足限制条件的水平。 2.2.2.1 线性规划模型的建立
为了得到在线竞价算法的调整参数，首先建立展示广告优化的线性规划模型，其中，展示机会是分别估价和分配的，需求方约束依据的是展示投放目标。定义符号标记如下：
i ：展示机会(impressions)，1,2,...,n j ：广告活动系列(campaigns)，1,2,...,m
ij p ：展示机会i 分配给广告活动j 的CTR j q ：广告活动j 的CPC
ij v ：分配方案的期望值eCPI ，ij ij j v p q =
j g ：广告活动j 的展示投放目标（有时有可能会用预算代替） ij x ：决策变量，展示机会i 是不是分配给广告j ，（0,1变量）
根据给定的符号标记，构建原始的线性规划问题如下： 其对偶问题可以表示如下：
对偶变量可以解释如下：j α表示活动
j 获取一个额外的目标展示机会的经济值（如：通过增加预算）
，i β表示出版商购买一个额外展示机会i 的经济值（如：通过吸引更多访问者）。
通过解对偶问题可以获得最优解，但还存在一些问题，比如在线情况下，怎么通过对偶问题的最优解获得原问题的最优解。 2.2.2.2 竞价调整 调整方案1
基础算法中假定展示机会是平稳的，这就意味着给定足够多的历史数据，通过解离线对偶问题可以获得最优竞价,j j α?。实际上，由于市场是动态的，展示机会的到达不是平稳的，比如：供应随季节变化。另一方面，需求方的估值也是一个不固定的过程，比如：旧的广告过期，新的广告开始。这些不固定性不满足完备松弛条件，从而历史最优的j α对于未来并不一定是最优的。为了解决这个问题，利用历史数据的离线最优解初始化j α，然后利用一种控制方法在线更新j α，以满足动态的供应方和需求方约束水平。
在实践中，由于在线计算的效率和展示机会到达的离散性，时间t 不需要立即被追踪。令[1,2,
,]t T ∈表示足够小的时间区间，
T 表示整个在线竞价时期内的区间个数，在每一个区间内更新一次j α。受Water-Level 算法[4]启发，采用更新公式如下： 其中()j x t 表示广告活动j 在时间区间t 内获得的展示数目，指数因子γ是一个调节参数，控制算法对误差()/
1/j j x t g T
-的响应
速度。如果初始的j α对未来也是最优的，可以令0γ=。 更进一步，基于Water-Level 的更新公式有一个很好的链接属性：
调整方案2 1.
按照广告维度和媒体维度对价格分布和点击率进行统计，得出点击率和价格分布的分布情况（需要根据数据情况确定是用哪个维度的统计信息）。 2. 如果是回头客和商品关联，在计算出的价格上乘以一定的系数（系数方式为乘以1(1)β+
，1β为经验值），以增加展示成功率。
3.
根据上一天的竞价成功率与目标成功率之间的差异对价格进行调整（预期成功率和实际成功率进行比较，增加或减少一个系数）。调整公式如下：
其中：2
-β=预期成功率实际成功率预期成功率
。
目前选用方案2作为竞价调整策略。
2.2.3 选择广告活动 在线情况下，每一次展示机会i 到达的时候，计算匹配成功的广告活动组（12{,,,}n a a a ）的竞价值：bid ,{1,2,
,}j j n ?∈，
并按竞价值由高到低进行排序，给出竞价列表。
3. 算法改进方向
3.1 特征属性的选择
可以用决策树，属性相关性的特征加权等方法来评估属性特征。
3.2 点击率预测
有多种方式可以预测点击率，如：利用对数线性模型LMMH 来估计稀有事件点击率等。
3.3 竞价调整方式
还可以利用统计学方法进行竞价调整，通过获取展现的成功竞价的历史数据，根据统计学方法描述出竞价的分布情况，然后在满
足限制条件下，为达到最大可能竞价成功做出竞价调整。
4. 补充问题
4.1 无历史数据阶段
算法中eCPI 和调整参数α的计算均依赖历史数据，在系统运行的初始阶段由于缺少历史数据的积累，运行前一段时间采用经验
数据进行竞价。建议eCPI=CTR*CPC ，给定CTR 进行竞价，α也不做调整。
4.2利用历史数据阶段
利用历史数据阶段采用本文中算法计算eCPI和调整参数α。由于eCPI的计算量比较大，可以采用较大的周期进行计算，推荐计算周期为1天，α的计算量较小，可以实时或每小时计算一次。
4.3展示的分布控制
为有效控制展示的分布情况，需要在算法中加入调节机制，防止展示过分集中的发生。最初可以采用每小时展示数量作为调节阈值进行控制。如某个广告的展示目标为每个月展示/点击1万次，则可以将这个点击数量根据流量情况或客户要求分布到每个小时中去，使得展示可以满足要求。
5.参考文献
[1]L.YuandH.Liu.Featureselectionforhigh-dimensionaldata:Afastcorrelation-basedfiltersolution.InProceedingsoftheTwe
ntiethInternationalConferenceonMachineLearning(ICML-2003),pages856-863,2003.
[2]https://www.doczj.com/doc/8d18923556.html,putationalLinguistics,22:39
–71,1996.
[3]D.C.LiuandJ.Nocedal,“OnthelimitedmemoryBFGSmethodforlargescaleoptimization,”MathematicalProgramming,v
ol.45,no.3,pp.503–528,1989.
[4]D.Charles,M.Chickering,N.R.Devanur,K.Jain,andM.Sanghi.Fastalgorithmsforfindingmatchingsinlopsidedbipartitegrap
hswithapplicationstodisplayads.Proceedingsofthe11thACMConferenceonElectronicCommerce(EC2010),2010.
[5]Y.Chen,P.Berkin,andB.Anderson.Real-TimeBiddingAlgorithmsforPerformance-BasedDisplayAdAllocation.KDD’11,2
011.
[6]D.Charles,M.Chickering,N.R.Devanur,K.Jain,andM.Sanghi.Fastalgorithmsforfindingmatchingsinlopsidedbipartitegrap
hswithapplicationstodisplayads.Proceedingsofthe11thACMConferenceonElectronicCommerce(EC2010),2010.
6.附件
6.1名词
1.RTB:realtimebidding实时竞价
2.CTR:click-throughrate点击率
3.CPC:cost-per-click每点击成本
4.CPM：costperonethousandimpression千次展现成本
5.eCPI：expectedcostperimpression每次广告展现预期成本，定义为：
6.CPM与CPC的转换公式推导：CPM=CPC*CTR*1000
CPM表示的是CostPer1000Impression，即：CPM=Cost/Impressions*1000 (1)
CPC表示的是CostPerClick，即：CPC=Cost/Click (2)
CTR表示的是Click-ThroughRate，即CTR=Click/Impression (3)
将(3)式代入(2)式：CPC=Cost/(CTR*Impression)=(Cost/Imp.)*(1/CTR)
6.2算法总体流程图
6.3输入输出表
eCPI计算输入参数表：
用户属性
广告活动属性
媒体属性
竞价历史（流水数据）
（在计算时，取用竞价成功数据）
计算周期可以以天为单位
α计算所需输入：
指定广告指定时间段内的点击次数（以小时为间隔）
竞价历史统计（计算与分析用-广告维度）：
竞价历史统计（计算与分析用-媒体维度）：
需要提供的默认（/初始）值（媒体维度）：
需要提供的默认（/初始）值（广告维度）：
在线计算输入：
用户属性，媒体属性，广告活动属性，是否回头客，是否商品关联。
6.4数据预处理流程
数据预处理增加中间变量的生成，目前中间变量有两个：媒体类型与用户购买兴趣关联度及媒体类型与用户兴趣关联度。这两个变量的计算方法将在下文中给出。
6.4.1 离线数据预处理
6.4.1.1 数据选取
需要选取竞价成功的数据作为训练数据和验证数据，由于模型主要跟媒体，广告活动，用户三方面的属性值有关，因此做应尽可能选取包含这三方面属性值的数据，不选取用户属性完全缺失的数据。 6.4.1.2 缺失值填充
如果单条记录中某个属性的属性值缺失，则需要对其进行填充。如果该属性值是枚举型变量，则用其众数进行填充（注：众数表示的是整列变量值中出现次数最多的数据，如果有多个，采用最先出现的那一个）；如果该属性值是连续型变量，则用均值进行填充（注：均值指的是该列数据的算术平均值(列均值)）。 6.4.1.3 中间变量的生成
1)消费属性预处理
由于用户消费属性可能有多个值，并且只凭借用户消费属性不能确定其对点击率预测的影响，需要把它与媒体类型关联起来进行考虑。首先通过一定的转换，建立媒体类型和用户消费属性之间对应关系表，然后，通过对应关系将用户消费属性转换为[0,1]区间的数。具体方法如下：
假设媒体类型为12(,,,)n p p p =p
，对应的权重为12(,,,)n w w w =w ，用户的消费属性为
12(,,
,)m u u u =u ，如果i p 和j u 具有一定的对应关系，对应值用ij v 表示，计算某一媒体类型i p 与用户消费属性u 的关系如
下：
其中，
1(1)*(1)(,)1ij
j i j m i ij v j f p u v m α=--??
=
- ?∑?
?，α表示用户最后一个消费属性的权重01α≤≤，默认为0.5。
计算所有媒体类型与用户消费属性的关系值并进行加权求和，就可以把用户的消费属性转换为一个确定的[0,1]区间的数。公式如下： 其中，
(,)i f p u 表示第i 个媒体类型与用户消费属性的关系值，通过上式计算得出，i w 表示第i 个媒体类型的权重值。
注：无历史数据之前，对应关系表可以人工给出。具有了一定的历史数据后，可以通过统计信息计算出媒体类型与用户消费属性之间的对应值。
媒体属性与用户属性对应关系表形式如下：
2)兴趣属性预处理
同上建立媒体类型与用户兴趣属性的对应表，将用户兴趣属性转换为[0,1]区间的数，需要注意的是α有可能不同。 6.4.1.4 广告位预处理
根据广告位的宽高按一定标准将其转换成一个枚举型变量，如：根据广告位大小，将其分为大、中、小三种情况。（注：可以根据实际数据进行划分）。 6.4.1.5 数据标准化
如果属性值是枚举变量，需要将其转化为哑变量，再进行Logistic 回归分析。如：多分类变量有四个取值（A/B/C/D ），这时需要设置三列哑变量，比如D2,D3,D4,如果变量值是B ，则D2=1，否则取0，如果是C ，则用D3=1，否则取0，如果是D ，则D4=1，否则取0。可以采用如下的矩阵方式进行存储。
如果属性值是连续型变量，则需要对变量进行标准化处理，以消除因数据单位不同而引起的计算结果的偏差，一般采用z-score 标准化方法，方法如下： 经变换，各变量落入[0,1]区间。
6.4.2 在线数据预处理
6.4.2.1 缺失值填充
在线情况下，如果用户属性数据完全缺失或缺失超过一定比例的时候(如：60%)，通过模型预测的点击率很有可能不准确，这种情况下只能采用媒体或广告活动默认的点击率。其它情况下，采用离线预处理记录中的默认属性值进行填充。 6.4.2.2 中间变量的生成 与离线部分的预处理方式相同。 6.4.2.3 广告位预处理
与离线部分的广告位预处理方法相同。 6.4.2.4 数据标准化
根据离线预处理记录对属性值进行标准化，如果属性值是枚举型变量，通过哑变量矩阵进行转换。如果属性值是连续型变量，通过预处理记录查找到标准差σ
和均值j x ，标准化后的变量'
0.52ij j ij x x x σ
-=
+。需要注意的是由于在线数据多样性，有可能经过
预处理的属性值不在[0,1]区间，这时需要将其调整到[0,1]区间，调整方法如下：如果标准化后的属性值大于1，调整其为1，如果属性值小于0，将其调整为0。
6.5 计算权重算法流程
采用L-BFGS 算法计算逻辑回z 归预测模型中的权重向量，算法流程图如下：
注1：40
(0,0,...,0);10T ε-==w ；m 一般取6
注2：0H 为阶数和输入向量相同的单位阵，-1
()[(1)
]1+1+T j
T j
j j n
j
j
j f
c
c e
e
=-?=+-∑w x w x x x w
其中：=(,,)j
j j j j p a u x
f ；
注3：k α的计算参见Backtracking 线性搜索算法
注4：k r 的计算参见two-looprecursion 算法
6.5.1 Backtracking 线性搜索算法
任选
0,,(0,1)c αρ>∈，令αα←，
重复直到
()()()T k k k k k f f c f αα+≤+?w p w w p ， 结束(重复) 终止k
αα=。
注1：α初始值取1，ρ取0.5，c 取1 6.5.2
two-looprecursion 算法
令1()k f +=?q
w ，min(1,)n k m =+。
步骤1：对1,
,i n =，循环以下运算：11T i k i k i αρ+-+-=s q ，1i k i α+-=-q q y ；
步骤2：01k H +=r
q ；
步骤3：对,
,1i n =，循环以下运算：11T k i k i βρ+-+-=y r ，1()k i i αβ+-=+-r r s 。
其中：
1k k k +=-s w w ，
1()()k k k f f +=?-?y w w ，
1/T k k k ρ=y s ，
1()/()T T
k k k k k γ+=s y y y ，
011k k H I γ++=。
流程图：
6.6模型检验
计算出权重之后，抽取一部分数据作为验证数据，计算它们的点击率，如果准确性达到A%，则认为计算出的权重合理，模型正确。否则，采用竞价历史中的点击率或默认点击率。(准确度A需要根据实际情况确定)。
分析：Facebook的实时竞价广告模式发表于2012, 六月19 分类：社会化网络营销 , 网络营销 Facebook目前正在测试新版实时竞价广告系统，当用户访问第三方网站时会被一个cookie所标记，之后再访问Facebook时用户的历史访问记录就会被展示给参与实时竞价的广告商。这一精准定位广告系统将会给Facebook带来一大笔营收。 Facebook称目前正在同8家广告平台合作，在未来几周会进一步推广到传统的Facebook侧边栏广告，但是暂不包括赞助商故事广告和移动广告。 Facebook Exchange的具体运行方式如下： 1.用户访问某家配有同Facebook Exchange相连的DSP（需求方平台）的旅游网站 2.一个cookie会保存到用户的电脑中，尤其在用户表现出购买意图时。 3.如果用户没有购买或者广告商还想向该用户推销更多东西，DSP会向Facebook发送请求要求获得该用户的ID。 4.广告商预先为已锁定用户准备好特定广告。 5.当这名用户访问Facebook时，网站会识别出他的cookie。 6.DSP此时会收到通知并开始实时竞拍以决定向用户展示什么广告。 7.竞价最高者将会展示其广告给该用户。 8.如果用户不喜欢这个广告并将其关闭，页面上会出现一个前往DSP的链接，在那儿可以改变设置，此后都不会收到Facebook Exchange的广告。 目前Facebook上的两种类型的广告构成了一个漏斗的上下两部。上部是Facebook的标准展示广告，目的是通过海量的展示让用户产生需求，下部则是新推出的Facebook Exchange，通过精准的实时竞价广告让用户的需求得到满足。 这两种类型的广告的区别实际就是实时竞价系统与预付费广告的区别：预付费广告是指广告商购买某个位置的广告，用户点击浏览后付费。而实时竞价系统则是指广告商们对某一
8分钟投放30个渠道，它是应用商店的广告竞价神器 酷传CEO李卫杰此前，大部分App企业要解决app上传问题，还停留在产品更新后，通过人工进行上传、监控等等。酷传CEO李卫杰表示，app上传、监控等属于刚性需求，但人工上传效率并不高，“覆盖30个渠道通常需要2天左右”，人工监控则更加耗时，需要一个月或者一个季度来记录数据，找出推广规律。而到了2016年，中国主流安卓软件商店开始竞价排位，需要根据算法来计算APP的综合指数，再根据指数高低决定排位。由于是实时竞价，App企业主们没有办法做到全方位多维度的实时监控，也无法实时修改竞投价格确保投放效果。况且Top10的软件商店都有自己的竞价后台，切换应用平台、手动改价，App企业主很难在多个平台上进行实时竞价管理。机器自主学习，智能化投放据了解，酷传成立于2012年，是一家通过大数据和技术手段帮助企业解决移动端的获客问题的企业。目前已经实现帮助App进行一站式发布，8分钟即可上传30多个渠道；一站式监控，可监控安卓和ios两个平台的实时榜单（关键词、下载量等），使得App开发商能够了解各大App的竞争力。为了解决App企业主在投放竞价管理中的痛点，酷传于2017年一月推出Super CPD企业智能辅助投放系统，上线两个月在线交易额突破一个亿，其每日在线交易额达数百万。
Super CPD通过机器学习人的投放行为快速的大数据整理，及智能化投放，快速整理运营者的投放行为及历史数据，通过学习运营者的操作行为的位置、时间、成本进行设定，计算当前整体的竞投争情况，给出最佳投放策略，并自动执行下去。目前Super CPD可实现全天24小时实时监控、实时调价Super CPD主要有两种智能投放方式，帮助APP在商店榜单和搜索结果两个方面竞价投放广告，投放结果以可视化报表的形式输出：1、系统自动导入投放计划，根据App 企业主的自主设置，系统自动调整出价，速度可精确到秒（最快可到毫秒）。2、Super CPD系统自动获取软件商店投放后的数据，解决了软件商店千人千面，出价不同获得的展现不同的问题，机器通过分析计算得出最优解，自动调整出价。在技术层面上，尽管Ai的发展并没有很成熟，但李卫杰觉得在垂直场景下的技术应用，，所有的企业服务广告平台都是 人为设计的，只要有海量的数据做支撑，就可以计算出最 优解。与华为合作，连接更多B端资源“当C端用户培养起 来市场稳定后，各大厂商开始做B端的运营了。”李卫杰说，一方面C端市场稳定，各大厂商需要与B端开发者建立联系，另一方面则是华为要建造生态闭环。需要引入各种资质，以及发展自己的支付、推送等功能，均需要开发者的支持。” 据国家网信办发布《移动互联网应用程序信息服务管理规定》显示，自2016年8月1日起，所有App要经过实名认证才
实时竞价的概念与原理 一、概念释义 实时竞价（RTB，全称Real Time Bidding），是互联网在线广告的一种交易方式。 1、实时 这里的所说的“实时”有两层意思： （1）整个交易流程都是实时的。竞拍的对象是“广告展示的机会”，也就是“广告位”，因为每个人随时都有可能刷APP或者浏览网页，所以广告位的产生是实时的。竞拍完成后广告内容被确认后，会立马被展示出来，所以说交易的整个过程是“实时”的，整个过程有多快呢？100毫秒，也就是0.1秒以内。 （2）在互联网上，这样的交易过程是时时刻刻都在“实时”在发生的。 2、竞价 竞价即竞争价格，通过价格赢得拍卖。但是它和传统的竞拍方式（单纯看价格）又不太一样。 （1）实时竞价的模式是“价高者得，次高价结算”，因为大家是同时出价，不是通过一次一次的举牌，所以比如前三高出价分别为：甲10元、乙8元、丙7元，那么甲获胜，但是他要付的价格不是10元，而是8.01元（8+平台最小结算单位0.01元），为什么“次高价结算”？——为了鼓励你竞拍时出更高的价格。
（2）现在广告平台一般实际采用优化后的竞价模式：不单单看出价，还要看“广告质量”。如果你打开一个APP，每天看到的广告都低俗不堪，相比不会得到用户喜爱。所以虽然是竞价，但其实是拿“出价和广告质量得分两者综合得分”去竞争的，“分高者得”。 二、实时竞价原理 以商场展示橱窗的运营为例： 背景：现在你负责一家商场橱窗位的运营工作。商场里布设了很多高科技摄像头，这些摄像头可以捕捉到每个人的外表（包括身高、面容、服饰等）和动作（肢体、面部表情）。商场橱窗也都很先进，不光可以播放图片、视频，还支持VR实景互动游戏等。 参与角色：商场管理员（你），商家，顾客 你的任务：完成广告销售 销售产品：橱窗每一次的展示机会 根据上述条件，搭建一个平台，并通过竞拍的方式增加橱窗收益： 1、将所有经过橱窗的顾客信息建立档案，分析顾客特征以及是否与橱窗产生了互动的关系，得出“哪类人对哪类橱窗感兴趣”的相关性结论； 2、每当有顾客进来，系统立即分析该顾客特点，并将“给该顾客展示广告的机会”作为产品进行拍卖，商家们提前设置好自己想要竞拍的顾客类型和出价即可； 3、橱窗根据竞拍结果自动展示相应内容，整个过程在100ms（0.1秒）内完成。 4、根据“顾客是否和橱窗产生互动（例如观看、参与游戏等)”跟商家收取费用。
ADVER TISING 月度聚焦互联网广告 ＲＴＢ视野下的大数据时代 ■ 黄晓南 品友互动 ＣＥＯ 当前，大数据正在引发中国互联网行业新一轮的技术浪潮，尤其是互联网广告领域，刚刚兴起的互联网广告人群实时竞价（RTB）模式就是大数据时代的一个崭新的领域。今天，消费者基于互联网正在重新构建一个全新的生态系统，每个人的网络印迹都直接真实地展示个人网络行为价值，大量的互联网使用行为导致了大量的数据产生，海量化和碎片化的数据已经改变互联网广告的生态。RTB模式下，对每个用户的兴趣爱好、人口属性、对广告的倾向性等属性特征的分析需求变得无比重要，从而极大的推进了互联网数据的挖掘与分析。而大数据对这一系列数据进行分析之后，可以帮助人们尤其是广告主拥有感知市场和用户的能力，进而进行目标消费人群细分和广告精准营销等。 大数据到底有多重要？ 在互联网时代的今天，数据蕴藏无限能量的巨大宝藏；只要充分挖掘和利用数据后面的价值，数据几乎无所不能，小到一个页面的设计、大到公司的运营和决策，数据均可以担当非常重要的角色，它可以反映现状、评判优劣、暴露问题、预测概率、辅助决策，提供方案。数据蕴含巨大价值，如果能够认识其中的价值，并且善加应用，将会产生超乎想象的效果。 在品友互动看来，通过对数据的分析挖掘，消费者行为的分析，可以细致深入地勾勒出消费者的属性，在海量媒体资源里针对人群进行投放，从而可以帮助广告主实现最大的营销效果。作为中国最大的DSP平台，品友互动已经成为很多客户的选择，广告投放的点击率和效果都得到超过50%的提升。 大数据时代的机遇和挑战 然而，巨大的价值背后同时对应着巨大的挑战。因为数据的价值隐藏在纷繁复杂的庞大的原始数据里，如何从海量的数据中挖掘提炼出有用的价值，面临着极高的技术和工程难题，需要有强大的云处理平台进行计算，需要适合特殊业务的核心算法，需要有高效的营销平台；同时，如何将挖掘出的内容应用到具体营销策略中，同样考验着营销者的智慧，如何将数据价值融化到市场、销售、运营、产品等各个环节中，这是一种全新的模式和方法。 品友在广告技术领域采用大数据研究方法，搭建了多个以Hadoop基础的云计算平台，拥有大规模数据存储和分布式计算的基础设施，拥有强大的RTB基础设施和运算能力，成为大数据在广告技术领域应用的实践者，每日对接接近30亿PV，能够在50毫秒内处理所有的竞价决策。同时，品友还拥有中国最大最深入的人群属性分析库，超过5.7亿活跃Cookies ，3155个人群属性标签，每天处理超过100亿的数据量。 大数据来了，我们需要做什么？ 大数据时代要求每一个企业营销人员，都必须具有更加全面的知识结构，除了拥有传统营销知识，同时需要掌握数据分析的知识、要求对数据敏感、对市场敏感，善于将数据与业务结合进行营销。对于网络媒体，要认识到“精耕细作出价值”，如果要媒体价值最大化、客户价值最大化，就必须加强数据分析，对流量进行细分，从粗放型向精细化转换，为每个网民提供个性化的内容，即能够改善用户体验，又能够更大的发挥网站的价值。 同时，作为广告主，应该充分拥抱RTB（人群实时竞价广告），抛弃原来以广告位为基础的传统广告购买理念，而开始以“人群”作为投放和购买广告的根基。在大数据时代，广告主将看到更透明，更海量的数据，能够充分地根据实际投放数据进行优化，调整，自动化地进行营销。 我们相信，随着大数据时代的带来，信息爆炸产生的数据量将会越来越大，对大数据价值的挖掘也会越来越深入，随着大数据的深入发展，对于互联网广告而言，数据将会推动RTB更加快速的发展，数据营销将会越来越多的应用到广告主自己具体的营销方案中，并逐渐替代传统的网络营销方法。□ 责编：周顺芝 ADMEN０４７
广告行业中的实时竞价(Real Time Bidding) 是什么？与需求方平台(Demand Side Platform) 有什么不同？ 【顾志耐的回答(39票)】: 按照知乎惯例，首先声明利益相关，移动互联网RTB从业人员。 RTB（Real Time Bidding）是现代互联网广告行业中新兴起的一种流量交易方式，有以下几个显著的不同于传统的互联网广告的特点 1. 在用户刚打开流量的载体（App或是Wap站点）的时候，该广告位要显示的东西还尚未确定，只有当竞价结束的时候，才会最终确定实际被展示的内容（Creative）。 2. 竞价时间非常短，一般100ms之内就要完成，所以对参与各方的技术要求很高 3. 完全以CPM计价 在我自己个人的观点看来，RTB具有以下几个主要的优势 1. RTB可以很好地匹配流量的需求和供给 2. RTB可以充分利用长尾流量 3. 通过RTB可以很容易买到世界各个地区的流量，打破了地域限制 接下来先说明几个在互联网广告行业中常用的术语，熟知这些的读者请无视
Advertiser：广告主，花钱做广告的人 Publisher：发布者，负责将广告发布出去的人，在广告交易中一般是收钱的一方 Creative：这里我暂时不知道怎么翻译好，一般指的是实际被展示出去的图/视频等。 Impression：Creative被显示了一次就是一个Impression Click：图/视频中通常带有链接，这个链接每被点了一次就是一个Click Conversion / Action: 用户在点击链接之后又发生了广告主所期待的后续行为，如下载安装，将商品加入购物车等，统称为一次转化 CPM：Cost Per Mille，Mille是一个拉丁语的词汇，表示1000，CPM表示计费方式是按照每千次Impression计费CPC：Cost Per Click，按照点击次数计费 CPI / CPA：这里的I指的是Install，A是Action，也就是按照转化计费 CTR：Click Through Rate Click数/Impression数 IR/CR：Install Rate / Conversion Rate 转化数/Click数 终于开始说RTB业务中主要的几个参与方了 DSP：Demand Side Platform 需求方平台，需求方平台可以视为是Advertiser的集合。DSP方一般有很强力的商务队伍，会去拉到很多的Advertiser来花钱做广告，国内的DSP比较
DSP精准广告,让你更精准 很多广告主都会遇见这样的情况,明明投入很多钱,但是却收获很少,甚至带不来任何效果。这其实就是因为目标群体不明确造成的,导致不能进行精准营销。 随着广告主的需求增大,越来越多的广告主开始注重精准。随着2014年DSP 精准广告的火热爆发,人们开始纷纷投入。 数据基础上的精准营销 DSP的兴起是营销行业的革新,它是一个受众购买平台。广告主在线自助竞价购买“目标受众”,将广告信息快速准确的传递给目标群体。目前RTB正处于快速发展时期,很多广告主尚且处在初试阶段。 与相对行业细分化严重的美国网络广告市场不同,国内的互联网广告企业更青睐于集广告主、数据和技术于一体的DSP。它可以帮助买方整合资源、管理流量、理性投标等,自动化管理整个广告投放活动以获得符合广告主目标的利益,节约大量人力资源,进入以用户为导向的效果营销时代。 依托数据支持 触控乐游DSP产品集成DSP、SSP、DMP的实时竞价平台,同时也接入了国内三大广告交易平台(Google ADX、淘宝TANX、腾讯智慧。 那么什么是精准营销,RTB,DSP呢? 精准营销:主要指企业充分利用现代信息技术手段,将营销信息推送到比较准确的受众群体中,从而既节省营销成本,又能起到最大化的营销效果。其被称为有态度的网络营销理念中的核心观点之一。 RTB:Real Time Bidding的简称,意思就是实时竞价。跟传统购买形式相比,RTB 是在每一个广告展示曝光的基础上进行竞价,也就是说,每一个页面浏览量或点击量都会进行展现竞价,谁出价高,谁的广告就会被这个页面看到。
DSP(Demand Side Platform:指需求方平台,也指数字信号处理技术。这一概念起源于网络广告发达的欧美,是伴随着互联网和广告业的飞速发展新兴起的网络广告领域。DSP传入中国,并迅速成为热潮,成为推动中国网络展示广告RTB市场快速发展的动力之一。DSP的优势为线上即时保护服务器系统与数据,不需停止服务,无备份窗口;系统立即可用,无需等待;传输过程支持压缩和加密, 增加效能和安全性,节省设备成本。
RTB实时竞价术语解释 RTB，DSP，SSP，DMP...等互联网新词，渐渐地出现在传统企业、广告商视野中，那么这些名词是什么意思呢？ 品友DSP广告服务商—弈米互动为您简单科普一下！ RTB 实时竞价 RTB(RealTime Bidding)实时竞价 ，是一种利用第三方技术在数以百万计的网站上针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，只针对有意义的用户进行购买。它的核心是DSP平台(需求方平台)，SSP、DMP、ADX等平台一同构成了互联网广告营销生态系统--RTB生态链。 而在RTB广告交易模式中，原有的广告生态链发生了变化，整个生态链包括广告主、DSP、广告交易平台以及互联网媒体四个主体。广告主将自己的广告需求放到DSP平台上，互联网媒体将自己的广告流量资源放到广告交易平台，DSP通过与广告交易平台的技术对接完成竞价购买。 RTB对于媒体来说，可以带来更多的广告销量、实现销售过程自动化及减低各项费用的支出。而对于广告商和代理公司来说，最直接的好处就是提高了效果与投资回报率。 DSP需求方平台 DSP(Demand-Side Platform)，就是需求方平台。这一概念起源于网络广告发达的欧美，是伴随着互联网和广告业
的飞速发展新兴起的网络广告领域。它与Ad Exchange和RTB一起迅速崛起于美国，已在全球快速发展，2011年已经覆盖到了欧美、亚太以及澳洲。 定义：需求方平台允许广告客户和广告机构更方便地访问，以及更有效地购买广告库存，因为该平台汇集了各种广告交易平台的库存。有了这一平台，就不需要再出现另一个繁琐的购买步骤——购买请求。 其实就是为甲方提供了跨媒介跨平台跨终端广告投放平台。 Ad Exchange(广告交易平台) 一个开放的、能够将出版商和广告商联系在一起的在线广告市场(类似于股票交易所)。交易平台里的广告存货并不一定都是溢价库存，只要出版商想要提供的，都可以在里面找到。 SSP 供应方平台 SSP是Sell-Side Platform的缩写，即供应方平台。这一概念是伴随着互联网和广告业的飞速发展而来的，SSP ，与DSP、Ad Exchange和RTB一起迅速崛起于欧美，属于新兴的网络展示广告领域。供应方平台能够让出版商也介入广告交易，从而使它们的库存广告可用。通过这一平台，出版商希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。国外的代表公司有Admeld(已被Google收购)、 AppNexus、Pubmatic、Right Media、Rubicon Project等。 与SSP供应方平台遥相呼应的是DSP需求方平台.DSP在互联网展示广告的高速发展创新中扮演
1.1算法用途................................................................................................................................................................ 1.2算法概述................................................................................................................................................................ 2.算法详细说明........................................................................................................................................................................ 2.1广告活动匹配........................................................................................................................................................ 2.2实时竞价算法........................................................................................................................................................ 3.算法改进方向........................................................................................................................................................................ 3.1特征属性的选择.................................................................................................................................................... 3.2点击率预测............................................................................................................................................................ 3.3竞价调整方式........................................................................................................................................................ 4.补充问题 ................................................................................................................................................................................ 4.1无历史数据阶段.................................................................................................................................................... 4.2利用历史数据阶段 ............................................................................................................................................... 4.3展示的分布控制.................................................................................................................................................... 5.参考文献 ................................................................................................................................................................................ 6.附件......................................................................................................................................................................................... 6.1名词 ........................................................................................................................................................................ 6.2算法总体流程图.................................................................................................................................................... 6.3输入输出表............................................................................................................................................................ 6.4数据预处理流程.................................................................................................................................................... 6.5计算权重算法流程 ............................................................................................................................................... 6.6模型检验................................................................................................................................................................
基于大数据的新媒体在线广告收益管理研究传统模式的互联网广告,以保量展示(Guaranteed-Delivery, GD)为主,然而随着在线广告逐渐进入买方市场,仅依靠保量展示广告来覆盖所有的广告展示机会已经变得越来越困难。由于在线广告位资源的易逝性特点,未被利用的广告展示机会,媒体方无法获得收益,这是一种资源的浪费。由于在广告位数量和页面展示量一定的情况下,广告位库存是恒定不变的,因此就单次广告展示而言,如果不能通过合理的定价机制使其获取尽可能高的收益,同样也是资源的浪费。在当前PC端互联网新媒体页面展示量增长缓慢甚至停滞的背景下,如何维持收益的增长,成为一个亟待研究的问题。 本论文正是在此背景下进行选题并开展了深入研究。首先,本论文研究了基于受众定向的容量控制策略。通过对媒体的访问日志进行大数据分析,实现对浏览用户进行人口属性定向和用户兴趣定向,然后以受众定向结果作为容量控制的依据,提高媒体方的收益。本论文首先使用问卷调查法获取了一部分用户的人口属性信息,然后对全量用户对页面和视频的浏览日志进行了大数据分析,采用朴素贝叶斯模型,预测出他们的人口属性信息。 本论文还研究了用户兴趣定向的实现方法,通过对页面访问日志进行大数据分析,根据用户浏览的页面,来推测其兴趣点。这些以人口属性和用户兴趣划分的人群所带来的不同的广告展示机会,可以售卖给特定广告主,实现容量控制。其次,在广告的定价策略方面,本论文研究了基于拍卖机制的实时竞价策略。通过在线广告特点的研究,本论文设计了一套在线广告拍卖机制,并证明了使用广义第二高价作为寻价策略,能够使连续拍卖达到贝叶斯-纳什均衡状态,使得媒体方可以获得最大化的收益。 此外,本论文还研究了基于对过去一段时间的广告展示和点击日志进行大数据分析,实现广告展示之前的点击率预测,据此实现以CPC和CPM出价的广告在同一标准下竞价。最后,本论文将上述研究成果应用于某互联网媒体的在线广告业务,对其科学性进行了实证分析,结果显示,使用了受众定向策略来进行容量控制之后,具有特定标签、且标签强度越高的用户,对与其人口属性或兴趣相关的广告,点击率越高。而采用了基于点击率预测模型进行拍卖的广告,其点击率高出未使用点击率预测模型来进行投放决策的广告12%之多。本论文的研究重点——基于
1. 算法简介 (2) 1.1 算法用途 (2) 1.2 算法概述 (2) 2. 算法详细说明 (3) 2.1 广告活动匹配 (3) 2.2 实时竞价算法 (4) 3. 算法改进方向 (10) 3.1 特征属性的选择 (10) 3.2 点击率预测 (10) 3.3 竞价调整方式 (10) 4. 补充问题 (10) 4.1 无历史数据阶段 (10) 4.2 利用历史数据阶段 (10) 4.3 展示的分布控制 (10) 5. 参考文献 (11) 6. 附件 (12) 6.1 名词 (12) 6.2 算法总体流程图 (13) 6.3 输入输出表 (13) 6.4 数据预处理流程 (15) 6.5 计算权重算法流程 (17) 6.6 模型检验 (20)
1.算法简介 1.1算法用途 RTB（Real-Time Bidding）实时竞价，是一种利用第三方技术在数以百万计的媒体上针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，只针对有意义的用户进行购买。它的核心是DSP平台（需求方平台），在DMP数据的支持下根据媒体，广告特点和人的属性进行定向投放。RTB 对于媒体来说，可以带来更多的广告销量、实现销售过程自动化及减低各项费用的支出。而对于广告商和代理公司来说，最直接的好处就是提高了效果与投资回报率。 RTB算法有几种常见的策略：展现优化（针对品牌推广）目标，点击率（CTR）优化目标和ROI(投资回报率)优化目标。其核心都是要做到合适的广告展现给合适的人。ROI优化是最直接能体现广告主的投资收益率的指标，但是目前情况下受RTB业界技术限制和公司数据支持情况的限制，点击率优化是现实可行的RTB竞价方法。虽然该方法不能直接体现在用户的投资收益率指标上，但是优良的点击率很大程度上会带来良好的收益。 目前针对RTB算法中的点击率预测有很多种方法，如：逻辑回归，决策树，两阶段广义线性模型，非线性规划模型，典型方程等。选用逻辑回归的主要原因在于该算法成熟，对输入变量要求较低，既可以处理枚举型变量，又可以处理连续型变量。输出结果较稳定可靠。 本算法主要以点击率（CTR）为优化目标，并选择逻辑回归作为主模型进行设计。 1.2算法概述 首先对RTB的竞价流程总结如下图所示： 图1 RTB竞价流程图 从上图中可以看出，实时竞价算法的输入主要包括以下信息： 1）Exchange端提供的广告位信息； 2）用户id，DMP收集的用户属性信息； 3）广告主发布的活动信息及竞价策略； 4）竞价历史（媒体信息，广告位，获胜竞价，用户id等）。 表1: RTB算法输入之竞价历史
图片简介: 本技术实施例提供了一种互联网广告的多DSP实时竞价方法及装置，接收广告展示方发送的多个广告竞价信息，从广告竞价信息中查找与各DSP的目标用户信息相匹配的广告竞价信息，得到各DSP的目标广告竞价信息；将每个目标广告竞价信息分别发送至该目标广告竞价信息对应的至少一个DSP；接收各DSP反馈的竞价响应；从参竞该目标广告竞价信息的多个DSP中确定一目标DSP，并根据该目标广告竞价信息包含的广告位属性信息，从预先存储的该目标DSP的物料库中检索与该广告位属性信息相匹配的目标广告物料，将该目标DSP的出价，以及目标广告物料发送至广告展示方。能够满足高并发实时竞价的时效性，高稳定性和高准确性。 技术要求 1.一种互联网广告的多DSP实时竞价方法，其特征在于，应用于多DSP竞价平台，所述方法包括： 接收广告展示方发送的多个广告竞价信息，每个所述广告竞价信息中包含用户信息和广 告位属性信息；
根据各需求方平台DSP预先设定的目标用户信息，从所述广告竞价信息中查找与各DSP的目标用户信息相匹配的广告竞价信息，得到各DSP的目标广告竞价信息； 将每个所述目标广告竞价信息分别发送至该目标广告竞价信息对应的至少一个DSP； 接收各DSP反馈的竞价响应，所述竞价响应包含该DSP针对所参竞的目标广告竞价信息的出价； 针对每一目标广告竞价信息，从参竞该目标广告竞价信息的多个DSP中确定一目标DSP，并根据该目标广告竞价信息包含的广告位属性信息，从预先存储的该目标DSP的物料库中检索与该广告位属性信息相匹配的目标广告物料，将该目标DSP针对该目标广告竞价信息的出价，以及所述目标广告物料发送至所述广告展示方。 2.根据权利要求1所述的方法，其特征在于，在所述得到各DSP的目标广告竞价信息之后，在所述将每个所述目标广告竞价信息分别发送至该目标广告竞价信息对应的至少一个DSP之前，还包括： 针对每一广告竞价信息，确定该广告竞价信息所匹配的DSP的第一数目，将该广告竞价信息复制所述第一数目份，并存储至预先设置的session池中。 3.根据权利要求2所述的方法，其特征在于，在所述接收各DSP反馈的竞价响应之后，还包括： 根据所述session池中预先存储的广告竞价信息，对所述竞价响应进行校验； 剔除未通过校验的竞价响应。 4.根据权利要求1所述的方法，其特征在于，所述从所述广告竞价信息中查找与各DSP的目标用户信息相匹配的广告竞价信息，得到各DSP的目标广告竞价信息，包括： 根据各DSP的目标用户信息确定各DSP的第一查询关键字； 针对每一DSP，采用倒排索引的方式，从所述广告竞价信息中检索与该DSP的第一查询关键字相匹配的广告竞价信息，作为该DSP的目标广告竞价信息。
袋狮传媒DSP，RTB（人群实时竞价）小知识 1、RTB（Real-Time Bidding）即实时竞价。 是一种利用第三方技术在数以百万计的网站上针对每一个用户展示行为进行评估以及出价的竞价技术。实时竞价允许广告买家根据活动目标、目标人群以及费用门槛等因素对每一个广告及每次广告展示的费用进行竞价。一旦竞价成功，广告就会立刻出现在网络媒体的网站中。这种允许进行动态交易的技术被业内称为“投标人”，而且可以嵌入相关平台中。 RTB模式与传统的展示型广告市场购买方式相区别，传统的展示型广告购买方式有CPM（cost per 1000 impressions - 按照每1000个展示曝光进行付费）、CPC（cost perclick - 按照每个点击进行付费）、Monthly Flat（广告位包月）、Daily Flat（广告位包天），而RTB就是在每一个广告展示曝光的基础上进行竞价. 2、DSP（Demand-Side Platform），即需求方平台。 需方平台允许广告客户和广告机构更方便地访问，以及更有效地购买广告库存，因为该平台汇集了各种广告交易平台的库存。有了这一平台，就不需要再出现另一个繁琐的购买步骤——购买请求。它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。一个真正意义的DSP，必须拥有两个核心特征，一是拥有强大的RTB(Real-Time Bidding)的基础设施和能力，二是拥有先进的用户定向(AudienceT argeting)技术。 3、SSP（Sell-Side Platform），即供应方平台。 供应方平台能够让网络媒体也介入广告交易，从而使它们的库存广告可用。通过这一平台，网络媒体希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。 4、DMP (Data Management Platform)，即数据管理平台。 是把分散的数据进行整合纳入统一的技术平台。数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。 5、Ad Exchange，即广告交易平台。 广告交易平台是一个开放的、能够将网络媒体和广告商联系在一起的在线广告市场（类似于证券交易所）。交易平台里的广告存货并不一定都是溢价库存，只要网络媒体想要提供的，都可以在里面找到，而且广告交易平台中都是按照人群去购买流量的，Ad Exchange在互联网展示广告的高速发展创新中扮演了极其重要角色，它可以使互联网展示广告市场更加透明，高效，和可控。 6、Ad network，广告网络。 广告网络是一个封闭的网络广告市场，网络业主作为中间环节先向网络媒体采购广告库存，然后再按照广告位组合转售给买家，虽然有时候网络媒体也可以创建自己的广告网络。在广告业内，这是一个较为广泛的概念。是一种介于想出售广告空间的网站与想在网站上刊登广告的广告主之间的平台. 比较知名的大型广告网络公司如Google的AdSense。 7、Audience Targeting，即基于数据的用户定向技术。 这种技术是通过对用户行为数据的分析，找出潜在目标客群的共同行为特征，选择适当的媒体将广告投放给具有共同行为特征的受众。节省广告成本，提高广告效果。Audience T argeting是RTB模式下，DSP核心特征之一。 各平台中比较典型的代表（欧美市场） 1、广告交换平台：除了谷歌广告交易平台外，最流行的是：Right Media、微软旗下的AdECN、AdBrite、OpenX.。
CPM（按展示付费）：Cost Per ThousandImpression。 是一种展示付费广告，只要展示了广告主的广告内容，广告主就为此付费。 CPT（按时长付费）：Cost Per Time。 也有媒体主按CPD（按天付费）Cost Per Time，是一种以时间来计费的广告，国内很多APP和网站都是按照“一天/月多少钱”这种固定收费模式来收费的。 CPC（按点击付费）：Cost Per Click；Cost Per Thousand Click-Through。是一种点击付费广告，根据广告被点击的次数收费。 如关键词广告一般采用这种定价模式，比较典型的有Google广告联盟的AdSense for Content和百度联盟的百度竞价广告。 CPA（按行为付费）：Cost Per Action。 是一种按广告投放实际效果计价方式的广告，即按回应的有效问卷或定单来计费，而不限广告投放量。 CPS（按销售付费）：英文全称Cost Per Sales。 是一种以实际销售产品数量来计算广告费用的广告。 这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化，卓越网站联盟、当当网站联盟当属这种广告形式的典型代表。
比较分析 （一）从用户行为来看，任何网络广告要达到一定的效果，必须有以下基本的两步： 第一步：展示广告 第二部：用户点击广告 第三步：用户点击广告后，在相关页面完成一定的附加行为，如注册或消费等。从上述可以看到： （1）CPM和CPT只在第一步收取广告费用，即，只需要向APP和网站用户进行了展示，即可向广告主收取广告费用。 （2）CPC处于第二步，在用户完成点击行为以后，APP和网站向广告主收取广告费用。 （3）CPA和CPS处于第三步，即用户在广告主的网站完成某些特定行为以后，广告主向APP支付广告费。