一种广告数据安全控制和发布的方法及系统与流程

本发明涉及互联网广告领域，具体来说，涉及一种广告数据安全控制和发布的方法及系统。

背景技术：

需求方平台(英文全称Demand-Side Platform，文中简称DSP)是伴随着互联网和广告业的飞速发展，新兴发展的一种网络广告领域。DSP通过对用户行为的分析，对受众实现精准定位，大幅提升广告投放的效果。但是，出于数据安全考虑，第三方DSP很难掌握全网数据，例如：一些电子商务平台的内部数据，这在一定程度上阻碍了DSP广告投放效果的提升。

技术实现要素：

技术问题：本发明实施例所要解决的技术问题是：提供一种广告数据安全控制和发布的方法及系统，在确保数据安全的同时，提升DSP广告投放效果，实现对数据安全控制与第三方DSP对接。

技术方案：为解决上述技术问题，本发明的实施例采用如下方案：

第一方面，本发明的实施例提供一种广告数据安全控制和发布的方法，该方法包括：

S10、建立DSP用户和电子商务平台用户的映射关系；

S20、DSP接收电子商务平台实时推送的数据，将所述数据保存在数据库中；

S30、DSP参与广告竞价，并在竞价成功后，根据数据库中保存的数据，进行商品广告展示。

结合第一方面，在第一方面的第一种可能实现的方式中，所述的S10中，DSP通过cookiemapping接口实现DSP用户和电子商务用户的映射关系。

结合第一方面的第一种可能实现的方式，在第二种可能实现的方式中，

所述的DSP通过cookiemapping接口实现DSP用户和电子商务用户的映射关系具体包括：

S31用户通过浏览器向电子商务平台服务器发送加载请求；

S32电子商务平台服务器从加载请求中获取该用户在电子商务平台域名下的cookieid，并返回像素图片至浏览器；

S33用户浏览器解析图片，并发送图片地址请求到DSP服务器，同时将DSP域名下的cookie信息传送到DSP服务器；

S34 DSP服务器获取用户在DSP域名下的cookieid，并从图片地址请求URL中的cookie字段获取用户在电子商务平台域名下的cookieid，建立并保存DSP域名下的cookieid和电子商务平台域名下的cookieid的映射关系。

结合第一方面，在第三种可能实现的方式中，所述数据具体包括：电子商务平台在售商品信息、用户价值得分和用户可能购买的商品列表。

结合第一方面的第三种可能实现的方式，在第四种可能实现的方式中，所述的S20中，用户价值得分和用户可能购买的商品列表通过实时计算模型计算得到，其中，实时计算模型是指：对用户进行分类，每一类用户对应一分模型，将各分模型分别进行训练，将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

结合第一方面的第三种可能实现的方式，在第五种可能实现的方式中，所述的S30具体包括：当DSP根据映射关系判断接收的广告交易平台发送广告曝光请求的用户为电子商务平台的用户时，结合电子商务平台推送的用户价值得分，计算广告价格，参与广告竞价，如果竞价成功，则结合电子商务平台推送的该用户可能购买的商品列表，进行商品广告展示。

结合第一方面的第五种可能实现的方式，在第六种可能实现的方式中，所述的方法，所述的DSP根据映射关系判断广告交易平台发送广告曝光请求的用户为电子商务平台的用户，具体包括：根据cookiemapping接口建立的DSP用户和电子商务用户的映射关系，如果存在映射关系，则是电子商务平台的用户；如果不存在映射关系，则不是电子商务平台的用户。

第二方面，本发明实施例提供一种广告数据安全控制和发布的系统，该系统包括：

创建模块：用于建立DSP用户和电子商务平台用户的映射关系；

接收模块：用于DSP接收电子商务平台推送的数据，将所述数据保存在数据 库中；

展示模块：用于DSP参与广告竞价，并在竞价成功后，根据数据库中保存的数据，进行商品广告展示。

结合第二方面，在第二方面的第一种可能实现的方式中，所述的创建模块包括：

加载请求子模块：用户通过浏览器向电子商务平台服务器发送加载请求；

获取子模块：用于电子商务平台服务器从加载请求中获取该用户在电子商务平台域名下的cookieid，并返回像素图片至浏览器；

解析子模块：用户浏览器解析图片，并发送图片地址请求到DSP服务器，同时将DSP域名下的cookie信息传送到DSP服务器；

创建子模块：用于DSP服务器获取用户在DSP域名下的cookieid，并从图片地址请求URL中的cookie字段获取用户在电子商务平台域名下的cookieid，建立并保存DSP域名下的cookieid和电子商务平台域名下的cookieid的映射关系。

结合第二方面，在第二方面的第二种可能实现的方式中，所述的接收模块中，推送的数据包括电子商务平台在售商品信息、用户价值得分和用户可能购买的商品列表。

结合第二方面的第二种可能实现的方式，在第三种可能实现的方式中，所述的用户价值得分和用户可能购买的商品列表通过实时计算模型计算得出，实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

有益效果：本实施例提供的广告数据安全控制和发布的方法及其系统，一方面解决了数据安全问题。通过建立DSP用户和电子商务用户的映射关系，电子商务平台对用户基础行为数据进行分析后，向DSP推送数据。DSP并没有获取到用户基础行为数据，保证了数据的安全性。另一方面，结合用户在全网的行为数据，利用实时计算模型，更精确的预测出用户的价值和可能购买的商品，最大程度的提升DSP广告投放的效果。

附图说明

图1是本发明实施例的一种方法流程图。

图2是本发明实施例的另一种方法流程图。

图3是本发明实施例中通过cookiemapping接口实现DSP用户和电子商务用户映射关系的流程图。

图4是本发明实施例中实时计算模型计算用户可能购买的商品列表的流程框图。

图5是本发明实施例中实时计算模型训练的流程框图。

图6是本发明实施例的系统框图。

图7是本发明实施例的系统架构图。

具体实施方式

下面结合附图，对本发明实施例的进行详细的描述。

如图1所示，本实施例提供一种广告数据安全控制和发布的方法，该方法包括：

S10、建立DSP用户和电子商务平台用户的映射关系；

S20、DSP接收电子商务平台实时推送的数据，将所述数据保存在数据库中；

S30、DSP参与广告竞价，并在竞价成功后，根据数据库中保存的数据，进行商品广告展示。

在该方法中，电子商务平台向DSP推送数据，DSP不直接获取商品或用户数据。由电子商务平台将经过处理的数据发送给DSP，DSP没有获取到电子商务平台用户的基础行为数据，确保了电子商务平台中的数据安全性。同时，电子商务平台对用户的基础行为数据进行处理，更精确的预测出用户的价值和可能购买的商品，向DSP推送，最大程度提升DSP广告投放效果。

在该实施例中，首先需要建立DSP用户和电子商务用户之间的映射关系。只有DSP用户和电子商务用户之间存在映射关系，才有投放广告的效果。作为一种优选，DSP通过cookiemapping接口实现DSP用户和电子商务用户的映射关系。如图3所示，cookiemapping接口实现方法如下：

S31用户通过浏览器访问电子商务平台网站页面时，向电子商务平台服务器 发送加载请求，该请求中包含该用户在电子商务平台域名下的cookie信息。

S32电子商务平台服务器在接收到S31的加载请求后，从cookie信息中获取该用户在电子商务平台域名下的cookieid，并返回一个像素图片到客户端浏览器，图片地址为DSP服务器的某个http接口。

例：<img src＝"http://www.B.com？cookie＝cookieA"

style＝"width:1px；height:1px；border:none！important；

margin:0px！important；"/>

S33用户浏览器解析图片到<img>标签，发送图片地址请求到DSP服务器，同时将DSP域名下的cookie信息传送到DSP服务器。图片地址请求中带有电子商务平台用户的cookieid信息。

S34DSP服务器在接收到S33的图片地址请求后，获取用户在DSP域名下的cookieid，并从请求URL中cookie字段获取用户在电子商务平台域名下的cookieid，建立并保存电子商务平台域名下的cookieid和DSP域名下的cookieid的映射关系。

通过cookiemapping接口，实现了DSP用户和电子商务用户之间存在映射关系。在DSP用户和电子商务用户之间存在映射关系时，电子商务平台向DSP推送数据。推送的数据包括电子商务平台在售商品信息、用户价值得分和用户可能购买的商品列表。

作为优选，用户价值得分和用户可能购买的商品列表通过实时计算模型计算出的。实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

如图4所示，利用实时计算模型测算用户可能购买的商品列表的过程为：

S41采集用户的特征数据，并将各终端特征数据融合，得到融合后的实时预测特征向量。

该步骤中，采集的用户特征数据来源于线上的(PC端、WAP端、APP端)站内数据和线下的终端数据，以及第三方数据。这样，从数据采集角度而言，这些特征数据覆盖了多个终端。与单个终端，例如WAP端相比，本实施例采集的数据来源范围广。多终端数据来源，为后续的购买概率预测提供了更准确的基础数据。 作为一种优选方案，特征数据包括历史离线特征数据和实时特征数据。历史离线特征数据可以选择：会员属性或标签、会员忠诚度、会员购买力、会员偏好、会员历史访问指标等等。会员历史访问指标可以是：过去N天添加购物车行为次数、过去N天添加收藏夹行为次数、过去N天PV数、过去N天一个会话内最多PV数、过去N天网站访问时长、过去N天一个会话的最大时长、过去N天浏览商品详情页数量、过去N天一个会话内最多访问详情页数量、过去N天会话数量、过去N天天订单数量等等。实时特征数据采用解析访问日志、点击日志、曝光日志、事件日志、订单日志的方法得到。例如，实时特征数据包括四级页商品详情区点击次数(包括评价)、商品四级页收藏点击次数、列表页推荐点击次数、列表页收藏点击次数、列表页商品点击次数、用户浏览pv、搜索页收藏点击次数、搜索页推荐点击次数、新动态促销页商品点击次数、用户静态商品促销页pv等等。

在S41中，实时预测特征向量的确定方法为：建立终端的映射关系，打通各终端的数据连接通道，将各特征数据通过映射关系关联得到融合后的特征向量，将各终端特征向量融合，得到融合后的实时预测特征向量。对于非会员，可以通过cookie、手机串号等对应映射关系关联得到融合后的特征指标。对于会员，可以通过会员编码等关联实时数据和历史数据，得到融合后的特征指标。通过会员关系、各终端识别码进行数据连接和关联，得到融合数据。

在通过S41得到融合后的实时预测特征向量后，需要计算行为商品的购买概率。本实施例提供的行为商品的购买概率的测算方法不同于传统方法。本实施例采用多模型的预测方法，具体来说：首先，对用户进行分类，并建立各类用户对应的分模型；然后，将S11得到的实时预测特征向量带入相应用户的分模型中，计算行为商品的购买概率。

对用户进行分类的方式有很多，作为一种优选方案，本实施例选择按照终端类型、用户类型、访客类型三种维度，对用户进行分类，并对每类用户建立一分模型。例举一实例，将用户分为8类，具体分类如下：

PC新访客模型：针对无历史行为特征的、且今天访问网站的PC访客而建立的模型。

PC老访客模型：针对有历史行为特征的PC访客而建立的模型。

PC新会员模型，针对无历史行为特征的、且今天注册为会员的PC会员而建 立的模型。

PC老会员模型，针对有历史行为特征的、且之前注册为会员的PC会员而建立的模型。

WAP访客模型，针对非注册会员的WAP访客而建立的模型。

WAP会员模型，针对注册会员的WAP会员而建立的模型。

APP访客模型，针对非注册会员的APP访客而建立的模型。

APP会员模型，针对注册会员的APP会员而建立的模型。

当然除此之外，其他的用户分类方法亦可行，只要分别建立相应分类的模型，并进行训练。

S42计算行为商品的购买概率。

采用上述多个分模型测算得到的行为商品的购买概率也为多个。

S43对S42得到的行为商品的购买概率进行修正，得到融合后的行为商品的购买概率。

本实施例对多个分模型进行融合，得到统一的行为商品的购买概率，即融合后的行为商品的购买概率。对S12得到的行为商品的购买概率进行修正，具体过程为：采用将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对S12得到的行为商品的购买概率进行概率修正，得到修正的概率，即得到融合后的商品购买概率。修正的方法是多模型概率融合模型进行计算。各分模型的新修正参数可以自由设定，例如，新修正参数为转化率、点击率或者模型分类。

多模型融合可视为再次的机器学习过程。设有3个分类模型：分模型M1、分模型M2和分模型M3，利用测试样本数据进行模型测试，测试数据输出的结果分别为F1，F2和F3。用训练样本数据通过模型输出的训练数据预测结果为f1，f2和f3。将f1，f2、f3和各分模型的转化率合并到训练样本数据中，对各分模型再次训练，得到修正的模型。再用修正的模型训练测试样本数据，得到结果a，b和c。

S44根据融合后的行为商品的购买概率，测算相似相关商品的购买概率，并按照购买率大小排序，生成用户可能购买的商品列表。

本实施例中，行为商品是指用户在电子商务网站上有操作行为的商品。操作行为例如：浏览、点击、加入收藏夹等行为。相似相关商品是指与行为商品相似 或相关的商品。相似相关商品由行为商品按照关联规则、协同过滤等关联方法计算得出的商品列表，然后根据支持度和信任度选取分别满足用户给定的阈值，按照阈值过滤得到商品。其中选取的关联场景包括但不限于浏览最终购买、看了还看、看了最终购买、配件搭配场景等。作为一种优选方案，按照式(1)测算相似相关商品的购买概率。

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i)式(1)

其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。

本实施例提供的实时计算模型采用多数据源、多终端类型的数据，进行训练多模型的实时计算购买转化预测概率。同时模型采用线性分片和融合打通的训练样本数据，并且对分片的多个分模型采用偏移量因子进行模型融合归一处理，最终得到一个精度高、多终端融合的实时购买概率预测的模型。

本实施例提供的实时计算模型根据不同的数据终端和融合数据，按照人群分别训练模型，然后按照分群片区的偏移修正，融合各模型，得到统一的模型。融合所用的方法有很多，大部分人直接用机器学习里的各类方法，或者用统计回归等。本实施例选用各分模型初步预测结果加新修正参数重新训练的方法，得到融合模型。其他机器学习的方法预测精度提高有限、模型比较复杂。本实施例中，步骤S11采集的数据来源于多个终端。步骤S13中，对人群进行了分类，并对每类人群分别建立了分模型；然后对各分模型进行训练，将首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合归一处理，得到修正后的统一模型，即融合后的统一模型；最后利用该融合后的统一模型进行概率测算。相比较其他机器学习方法，本实施例从数据来源和模型建立两方面，尤其是融合后的统一模型，提高了预测精度。

对本实施例采用的实时计算模型和利用单一模型进行预测的方法进行比较。按照单一模型预测，分类器正确判断阳性样本的值高于阴性样本之概率(英文全称：Area Under the ROC Curve，文中简称：AUC)为0.70。采用本实施例的实时计算模型，AUC＝0.85。本实施例的预测精度高于单一模型的预测精度。

图5所示，为本实施例中涉及的模型的离线自动训练流程，具体如下：

S51根据不同终端选取实时行为特征数据和历史特征数据。

该实时行为特征数据和历史特征数据包括线上的(PC端、WAP端、APP端)站内数据和线下的终端数据，以及第三方数据。例如，实时行为特征数据包括：详情访问特征、搜索特征、列表页访问特征、促销访问特征、页面点击特征、收藏夹次数、购物车次数等。历史特征数据包括：会员属性或标签、会员忠诚度、会员购买力、会员偏好、会员历史访问指标等。举例来说，会员历史访问指标包括过去N天添加购物车行为次数、过去N天添加收藏夹行为次数、过去N天PV数、过去N天一个会话内最多PV数、过去N天网站访问时长、过去N天一个会话的最大时长、过去N天浏览商品详情页数量、过去N天一个会话内最多访问详情页数量、过去N天会话数量、过去N天订单数量。

S52根据S51采集的实时行为特征数据和历史特征数据，分别提取部分数据作为训练样本数据和离线测试样本数据，得到特征向量。

该特征向量包括实时行为特征和历史特征指标。提取部分数据可以是1-30

天产生的数据，也可以是其他天数内产生的数据。

S53根据S52得到的数据，训练模型。

依照上述实施例所述，按照终端类型、用户类型和访客类型维度，对用户进行分类，并对每类用户建立一分模型。使用logistic regression模型训练各分模型。

举例来说，训练的各分模型包括：

PC新访客模型，训练的样本数据包括无历史行为特征的PC访客(非会员)；

PC老访客模型，训练的样本数据包括有历史历史行为特征的PC访客(非会员)；

PC新会员模型，训练的样本数据包括无历史行为特征的PC会员；

PC老会员模型，训练的样本数据包括有历史历史行为特征的PC会员；

WAP访客模型，训练的样本数据包括WAP访客(非会员)；

WAP会员模型，训练的样本数据包括WAP会员；

APP访客模型，训练的样本数据包括APP访客(非会员)；

APP会员模型，训练的样本数据包括APP会员。

用p(y＝1|x)表示逻辑回归函数(用户购买概率的模型)，如式(2)所示：

$p(y=1|x)=\frac{1}{1+\exp (-f\left(x\right))}$ 式(2)

其中，p(y＝1|x)表示转化概率，f(x)表示特征向量的线性函数。

由于特征选取较多，且模型比较复杂，会产生过拟合、特征共线性等问题，选用LASSO回归的方法进行模型的变量选择和正则化,lasso回归的RSS形式如下：

$\underset{I=1}{\overset{N}{\mathrm{\&Sigma;}}}{(Y_i-{\mathrm{\&beta;}}_0-\underset{j=1}{\overset{\mathrm{\&rho;}}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{x}_{\mathrm{ij}})}^2+\mathrm{\&lambda;}\underset{j=1}{\overset{\mathrm{\&rho;}}{\mathrm{\&Sigma;}}}\left|{\mathrm{\&beta;}}_j\right|$ 式(3)

其中，y表示预测变量，β₀表示常量，β_j表示特征对应权重，λ表示lasso惩罚系数，i表示样本数量，j表示模型特征数量，x_ij表示变量。

模型按照终端、用户类型、访客类型维度进行分片处理，分片后的模型如式(4)：

$p(y=1|x)=\frac{1}{1+\exp ({-\mathrm{\&pi;}}_m*{\mathrm{\&omega;}}_i{x}_i)}$ 式(4)

其中，p(y＝1|x)表示转化概率，即购买概率；π表示分模型，即各分类用户对应的分模型，m表示模型数量，x表示变量，ω表示权重，i表示样本数量。

S54，根据S53得到的如式(4)所示的训练模型，加入首次训练结果和新修正参数进行融合，得到融合后的统一模型，即实时计算模型。

用户最终价值得分则是根据用户购买概率按照给定的函数计算得出。例如，本实施例优选通过下式测算用户最终价值得分。

当P₂≤0.2时，P₃＝350*P₂；

当P₂＞0.2时，$P_3=(\frac{P_2-0.2}{0.8}*30+70)$

上式中，P₂表示用户的购买概率，P₃表示用户的价值得分。

该实时计算模型是以多数据源、多终端类型的数据进行训练多模型的实时购买转化预测的算法模型。同时模型采用线性分片和融合打通的训练样本数据，使用改进的随机梯度下降方法训练模型，并且对分片的多模型采用偏移量因子进行模型融合归一处理，最终得到一个有效的、覆盖广、精度高、响应快的实时购买 概率预测算法模型。该实时计算模型能够提高对用户可能购买的商品进行更精确的预测，进而提高广告投放效果。

电子商务平台利用实时计算模型计算出用户的价值得分和可能购买的商品列表，并实时的向DSP推送。DSP将该数据保存在数据库中。在进行广告交易时，广告交易平台将每个用户的广告曝光请求发送给DSP，DSP判断广告交易平台发送广告曝光请求的用户是否为电子商务平台的用户，若是电子商务平台用户，则DSP结合该用户价值得分，计算广告价格，参与广告竞价，如果竞价成功，则结合电子商务平台推送的该用户可能购买的商品列表，进行商品广告展示；如果竞价不成功，则失去商品广告曝光机会；若不是电子商务平台用户，则不参与竞价。

在上述方法中，DSP判断广告交易平台(文中简称：Ad Exchange)发送广告曝光请求的用户是否为电子商务平台的用户，是根据cookiemapping接口建立的DSP用户和电子商务用户的映射关系，如果存在映射关系，则是电子商务平台的用户；如果不存在映射关系，则不是电子商务平台的用户。如果是电子商务平台用户，则DSP参与广告竞价。如果不是电子商务平台用户，则DSP不参与竞价。也就是说，DSP参与广告竞价的前提是DSP用户和电子商务用户之间存在映射关系。

为了进一步提高广告投放效果，使得投放的广告和用于的商品需求契合度更高，作为一种优选，如图2所示，本实施例的方法还包括步骤S50：DSP通过ftp方式回传电子商务用户的投放效果数据，用于电子商务平台跟踪广告投放效果，以及优化实时计算模型。DSP参与广告竞价后，DSP将竞价、广告曝光和广告点击数据等投放效果数据，传送给电子商务平台。电子商务平台针对这些投放效果数据，进行分析，优化实时计算模型，来提高广告的投放效果。优化方式采用常规的模型迭代，调整模型中的参数。

如图6和图7所示，本部分还提供另一实施例，一种广告数据安全控制和发布的系统，包括：

创建模块：用于建立DSP用户和电子商务平台用户的映射关系；

接收模块：用于DSP接收电子商务平台推送的数据，将所述数据保存在数据库中；

展示模块：用于DSP参与广告竞价，并在竞价成功后，根据数据库中保存的 数据，进行商品广告展示。

在该系统中，数据的处理是在电子商务平台的接收模块中完成的。DSP不直接接触电子商务平台用户的基础行为数据。这确保了电子商务平台中用户数据的安全性。同时，电子商务平台对用户的基础行为数据进行处理，更精确的预测出用户的价值和可能购买的商品，向DSP推送，最大程度提升DSP广告投放效果。

在该系统中，创建模块在DSP用户和电子商务用户之间建立映射关系。在DSP用户和电子商务用户之间存在映射关系时，电子商务平台向DSP推送数据。推送的数据包括电子商务平台在售商品信息、用户价值得分和用户可能购买的商品列表。通过商品素材接口以全量和增量方式将电子商务平台在售商品信息传输给DSP。通过BI接口实时将用户的价值得分和可能购买的商品列表推送给DSP。实时计算模型的选择与前一实施例相同。实时计算模型是对不同终端、不同人群的分模型分别进行训练，然后进行融合，得到融合后模型。利用该融合后模型测算用户价值得分和用户最有可能购买的商品列表。由于实时计算模型是对各分模型进行训练后，再进行融合，故而实时计算模型测算的用户价值得分和用户最有可能购买的商品列表更加准确。这也进一步提高了广告投放效果。

作为一种优选方案，DSP通过cookiemapping接口实现DSP用户和电子商务平台用户的映射关系。具体来说，创建模块包括：

加载请求子模块：用户通过浏览器向电子商务平台服务器发送加载请求；

获取子模块：用于电子商务平台服务器从加载请求中获取该用户在电子商务平台域名下的cookieid，并返回像素图片至浏览器；

解析子模块：用户浏览器解析图片，并发送图片地址请求到DSP服务器，同时将DSP域名下的cookie信息传送到DSP服务器；

创建子模块：用于DSP服务器获取用户在DSP域名下的cookieid，并从图片地址请求URL中的cookie字段获取用户在电子商务平台域名下的cookieid，建立并保存DSP域名下的cookieid和电子商务平台域名下的cookieid的映射关系。

作为一种优选方案，展示模块进一步包括：

广告曝光请求子模块：用于广告交易平台将每个用户的广告曝光请求发送给DSP；

判断子模块：用于DSP判断广告交易平台发送的广告曝光请求用户是否为电子商务平台用户；

竞价子模块：用于广告曝光请求用户是电子商务平台用户时，DSP结合该用户价值得分，计算广告价格，参与广告竞价；

展示子模块：用于竞价成功，进行商品广告展示。

上述系统中，作为一种优选方案，判断子模块根据cookiemapping接口建立的DSP用户和电子商务用户的映射关系，来判断广告交易平台发送的广告曝光请求用户是否为电子商务平台用户。如果存在映射关系，则广告曝光请求用户是电子商务平台的用户；如果不存在映射关系，则广告曝光请求用户不是电子商务平台的用户。当DSP用户和电子商务用户之间存在映射关系时，DSP参与广告竞价。

为进一步提高广告投放效果，使得投放的广告和用于的商品需求契合度更高，作为一种优选，上述系统还包括效果跟踪模块：用于DSP通过ftp方式回传电子商务用户的投放效果数据，电子商务平台跟踪广告投放效果，以及优化实时计算模型。DSP参与广告竞价后，DSP将竞价、广告曝光和广告点击数据等投放效果数据，传送给电子商务平台。电子商务平台针对这些投放效果数据，进行分析，优化实时计算模型，来提高广告的投放效果。

本领域技术人员应该知晓，实现上述实施例的方法或者系统，可以通过计算机程序指令来实现。该计算机程序指令装载到可编程数据处理设备上，例如计算机，从而在可编程数据处理设备上执行相应的指令，用于实现上述实施例的方法或者系统实现的功能。

本领域技术人员依据上述实施例，可以对本申请进行非创造性的技术改进，而不脱离本发明的精神实质。这些改进仍应视为在本申请权利要求的保护范围之内。