一种提高CTR值的CPM系统和方法与流程

一种提高ctr值的cpm系统和方法
技术领域
[0001]
本发明涉及互联网广告技术领域，尤其涉及一种提高ctr值的cpm系统和方法。


背景技术：

[0002]
在互联网广告领域中，cpm系统是最常见的结算方式之一。在cpm广告模式下的网络平台提供富媒体和视频呈现广告，和传统的横幅广告或面板广告相比，富媒体广告更为灵活。同时，动画、视频和动态互动广告给浏览者带来了更高层次的视觉接触。对于那些首要关注点是品牌意识和表现的传统品牌而言，cpm模式更受广告主的欢迎。即使是和代理商在合作，他们也会对其广告内容保有最大的控制权，力求最大化品牌影响力。cpm广告主对最大化品牌展示量意识的关注度要高于他们网站回访量，因此，cpm模式对这种广告系列来说自然是最好的选择。例如，通过利用富媒体广告的交互性，一个品牌的广告可能会要求浏览者选择他们最喜欢的味道或者颜色，而该广告主则会通过这则广告所反映的数据分析利用户对他们口味或者颜色的喜爱程度，打造下一系列的产品。对于广告主而言，广告的展示需要有一定点击率，以避免大量的广告展示而仅有少量点击的情况。ctr（click-through-rate）即点击通过率，是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数（严格的来说，可以是到达目标页面的数量）除以广告的展现量（show content）。因此，对于cpm模式需要考虑ctr值，以提高广告的展示效果。
[0003]
某发明提供了一种竞价方法和装置。模型建立模块建立所述ctr估计模型、ctr校准模型、媒体质量评估模型、cvr估计模型和概率黑白名单模型中的至少一个模型；模型融合模块融合所建立的模型；流量价值估计模块对于给定的kpi参数，获取广告投放的历史数据和实时数据，基于所融合的模型，对待投放的广告流量价值进行估计；竞价模块基于所述估计得到的流量价值，确定合适的出价策略进行竞价。本发明提供了多种模式，根据对媒体质量的评估，选择合适的模型，从而实现对媒体针对性的广告投放，但是本技术方案在广告主的费用结算模式的情况下，不能够满足广告主的多样化需求。


技术实现要素：

[0004]
本发明所要解决的技术问题在于，提供一种提高ctr值的cpm系统和方法，通过控制广告投放的ctr值，保证ctr值符合广告主的需求，从而使得在cpm模式下也可以保证ctr值。
[0005]
为了解决上述技术问题，本发明提供了一种提高ctr值的cpm系统，包括接收模块、筛选模块、机器学习模块、控制模块、投放模块和记录模块；所述接收模块，用于接收dsp广告请求，并获取目标用户的特征数据；所述筛选模块，用于根据所述特征数据从可投放广告中筛选出相应的待投放广告，并将筛选出的所述待投放广告进行排序；其中，所述待投放广告均有对应的出价及目标ctr；所述机器学习模块，用于对广告投放的历史数据进行学习，以获得预测ctr；所述历史
数据存放于投放记录数据库中；所述控制模块，用于按所述排序情况对多个所述待投放广告进行判断，比较预测ctr与所述目标ctr，并决定待投放广告是否针对所述dsp广告请求出价，从而最终控制出价广告；所述投放模块，用于根据所述控制模块决定的所述出价广告进行出价，并根据反馈情况进行广告内容的发送；所述记录模块，用于记录广告的投放情况，并更新所述广告投放记录数据库。
[0006]
作为上述方案的改进，所述dsp广告请求既可以来自渠道商，又可以来自媒体。
[0007]
在上述技术方案中，既接收渠道商的出价请求，又接收媒体的出价请求，保证了系统的应用范围。只要是dsp模式的广告请求，本系统均可以提供相应的展示，说明本系统以内部控制为主，具有更好的适应性。
[0008]
作为上述方案的改进，所述筛选模块对所述待投放广告按照出价由高到低进行排序。
[0009]
在上述技术方案中，由于dsp模式均以竞价的方式进行，故将出价较高的待投放广告排在前面，在出价后更容易获得展示机会。相比于以ctr为指标进行排序，本方案保证了本系统选出的广告的竞争力，拥有更高的展示成功率。
[0010]
作为上述方案的改进，所述机器学习模块只对过去一年内的历史数据进行学习。
[0011]
在上述技术方案中，由于本模块需要对每个广告请求进行处理，会导致海量的数据处理需求。而仅对一年内的数据进行处理，既有足够的数据处理量，使得处理的效果较为准确，也使得广告的处理量控制在一定的范围内，使得系统对于数据的处理更加快速，也使得系统的资源消耗较少，提升系统运行的速度。
[0012]
作为上述方案的改进，如果所述待投放广告的所述预测ctr大于所述目标ctr，则所述控制模块决定所述待投放广告为出价广告；如果所述待投放广告的所述预测ctr不大于所述目标ctr，则所述控制模块继续对下一个所述待投放广告进行判断。
[0013]
在上述技术方案中，所投放的广告的预测ctr均大于目标ctr，从而可以保证实际的ctr大于目标ctr。本方案可以最大程度的保证广告的ctr在广告主设置的目标ctr之上的同时，保证ctr具有一定的展示量，即获得足够的曝光，以达到广告主宣传的目的。本技术方案适合于对ctr具有严格要求的客户。
[0014]
作为上述方案的改进，如果所述待投放广告的所述预测ctr大于所述目标ctr*r，则所述控制模块决定所述待投放广告为出价广告；如果所述待投放广告的所述预测ctr不大于所述目标ctr*r，则所述控制模块继续对下一个所述待投放广告进行判断；其中，0.8≤r<1。
[0015]
在上述技术方案中，对预测ctr略小于目标ctr的广告请求也进行出价、投放，相比于严格的以目标ctr进行筛选，可以使得广告的展示机会更多，而由于展示数量较大，也可以使得广告实际的ctr在长期看来更加接近于目标ctr，符合广告主的要求。r=0.8是经过大量数据测试得出的较佳的临界值，具有较广泛的适用性。本技术方案适合于对ctr要求较为宽松的广告主。
[0016]
作为上述方案的改进，r为动态变化的值，且使所述待投放广告的ctr不小于目标ctr。
[0017]
在上述技术方案中，ctr值是实际的ctr值。当ctr值小于目标ctr时，增大r的值，从
而使得后继广告的预期ctr值提高。由于广告的ctr值并非等于crt*r，即ctr指标只是一种过滤指标，因而实际的ctr值可能远大于crt*r，因此向上提高r的值就可以实现实际ctr值的上升，从而保证ctr值更接近于目标ctr，可以保证广告具有最大的展示量。
[0018]
相应地，本发明还提供了一种提高ctr值的cpm方法，包括如下步骤。
[0019]
a.使用上述的接收模块接收dsp广告请求，并获取目标用户的特征数据。
[0020]
在本步骤中，通过接收dsp广告请求，为下一步的匹配待投放广告提供数据，以获取该广告符合广告主要求的集合。
[0021]
b.使用上述的筛选模块根据所述特征数据从可投放广告中筛选出相应的待投放广告，并将筛选出的所述待投放广告进行排序；其中，所述待投放广告均有对应的出价及目标ctr。
[0022]
在本步骤中，根据上一步骤中的特征数据，对可投放广告进行筛选，将符合要求的待投放广告筛选出来，并按照一定的规则排序。与每个待投放广告相对应的，每个待投放广告均有唯一的出价及目标ctr；其中，出价用于参与与其他广告的竞价，而目标ctr是广告主设置的在展示时需要保证的ctr值，因此这两个数据是对本系统非常关键的数据。
[0023]
c.使用上述的机器学习模块对广告投放的历史数据进行学习，以获得预测ctr；所述历史数据存放于投放记录数据库中。
[0024]
在本步骤中，由于每个广告请求的ctr都是广告投放之后才可以获取，因此需要利用机器学习模块对广告投放的历史数据进行学习，从而可以较精确地预测当前的ctr值。在cpm模式下，由于广告的展示次数较多，因此预测的ctr从长期看可以取得较为准确的数值，可以有效地控制ctr的值，从而使得广告投放中的ctr值可以满足广告主的要求。
[0025]
d.使用上述的控制模块按所述排序情况对多个所述待投放广告进行判断，比较预测ctr与所述目标ctr，并决定待投放广告是否针对所述dsp广告请求出价，从而最终控制出价广告。
[0026]
在本步骤中，根据前两个步骤中获得的预测ctr和目标ctr的值的比较关系，决定是否对该dsp广告进行出价。本步骤过滤掉不符合广告主设置的ctr要求的广告，从而保证广告的实际投放数据符合广告主的要求。同时，对于广告请求而言，本步骤会获得一个符合要求的广告进行投放，从而使得所有的广告请求都可以获得相应的反馈。
[0027]
e.使用上述的投放模块根据所述控制模块决定的所述出价广告进行出价，并根据反馈情况进行广告内容的发送。
[0028]
在本步骤中，根据上一步骤中决定的广告进行出价。本步骤对广告进行出价及后继的广告内容的发送，实现广告的投放过程。
[0029]
f.使用上述的记录模块记录广告的投放情况，并更新所述广告投放记录数据库。
[0030]
在本步骤中，记录广告的投放情况，更新广告投放记录数据库，使得步骤c中的数据保持在最新的状态，保证步骤c中机器学习的结果。
[0031]
实施本发明，具有如下有益效果。
[0032]
本发明通过在cpm模式中加入ctr指标，满足了广告主的多样化需求。本发明通过对历史数据的学习，获得预测ctr，能够有效评估实际投放后ctr的值。本发明通过对广告的大量投放，使得预测ctr更加接近实际ctr，从而使得广告主设置的ctr值可以实现。本发明以广告排序的顺序对广告请求进行处理，既使得广告符合广告主的要求，又保证每个广告
请求都获得反馈，保证了系统的响应。本发明实时更新投放记录数据库，使得对ctr的预测更加准确。
附图说明
[0033]
图1是本发明一种提高ctr值的cpm系统的第一实施例结构示意图。
[0034]
图2是本发明对应的一个广告序列。
[0035]
图3是本发明一种提高ctr值的cpm方法的第一实施例流程图。
具体实施方式
[0036]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0037]
如图1所示的本发明第一实施例，提供了一种提高ctr值的cpm系统，包括接收模块100、筛选模块200、机器学习模块300、控制模块400、投放模块500和记录模块600。
[0038]
接收模块100，用于接收dsp广告请求，并获取目标用户的特征数据。
[0039]
具体地说，dsp广告请求既可以来自渠道商，又可以来自媒体。接收模块100对接多个渠道商或媒体，但只能对接其中的一类。接收模块100对于接收到的多个广告请求分别单独处理。接收模块100对于接收到的广告请求，需要识别其特征数据，以便与广告主设置的定向条件 进行比对。特征数据包括ip地址、国家/地区、操作系统等。此处的特征数据与广告主设置的定向条件呈一一对应关系。如果渠道商或媒体请求出价时没有附带特征数据，则接收模块100向渠道发送请求，以获取特征数据。
[0040]
筛选模块200，用于根据所述特征数据从可投放广告中筛选出相应的待投放广告，并将筛选出的所述待投放广告进行排序；其中，所述待投放广告均有对应的出价及目标ctr。
[0041]
具体地说，筛选模块200首先根据用户的特征数据，从系统的所有可投放广告中进行特征数据比对，将定向条件与特征数据一致的所有广告筛选出来，即待投放广告。需要说明的是，可投放广告是所有投放中的广告，即用户没有暂停该广告的投放，系统也没有因为预算结束等原因暂停该广告的投放。筛选模块200对所述待投放广告按照出价由高到低进行排序，如果价格一样，则以目标ctr为第二排序指标由高到低排序。如图2所示有5个广告，按出价由高到低得到排序b,(a,e),c,d，其中a和e出价相同。由于a的目标ctr大于e的目标ctr，则将a排在e之前，获得最终排序b,a,e,c,d。
[0042]
机器学习模块300，用于对广告投放的历史数据进行学习，以获得预测ctr；所述历史数据存放于投放记录数据库中。
[0043]
具体地说，机器学习模块300采用监督学习的方式对数据进行学习预测，并且只对过去一年内的历史数据进行学习。一年是社会中人们生活的一个完整周期。在一年内，人们经历春夏秋冬，同时也以年为主要的时间单位进行工作、学习和生活的安排，因此一年之内存在着较大的差异，而在不同年份之间却存在着一定的相似性，故以一个完整的周期进行学习预测可以获得较为准确的结果。机器学习模块300从投放记录数据库中读取出ctr数据，再进行学习，学习后可以预测ctr。在进行机器学习时，将所有的投放参数视为一个变量，并为其分配一个系数，构成一个向量。通过学习训练，计算出每个系数的值。再将该向量
转化为介于0与1之量的函数。对函数代入本次投放数据，得出预测ctr。投放记录数据库使用mariadb而不是mysql，是因为mariadb支持hash join。在连接时，优化器使用两个表中较小的表（通常是小一点的那个表或数据源）利用连接键（join key）在内存中建立散列表，将列数据存储到hash列表中，然后扫描较大的表，同样对join key进行hash后探测散列表，找出与散列表匹配的行。需要注意的是：如果hash表太大，无法一次构造在内存中，则分成若干个partition，写入磁盘的temporary segment，则会多一个写的代价，会降低效率。这种方式适用于较小的表完全可以放于内存中的情况，这样总成本就是访问两个表的成本之和。但是在表很大的情况下并不能完全放入内存，这时优化器会将它分割成若干不同的分区，不能放入内存的部分就把该分区写入磁盘的临时段，此时要有较大的临时段从而尽量提高i/o 的性能。
[0044]
控制模块400，用于按所述排序情况对多个所述待投放广告进行判断，比较预测ctr与所述目标ctr，并决定待投放广告是否针对所述dsp广告请求出价，从而最终控制出价广告。
[0045]
具体地说，控制模块400将预测ctr与目标ctr进行比较，然后通过控制是否对该广告请求进行响应而决定广告对应的ctr的值。在具体的比较时，有两种方式：a.如果所述待投放广告的所述预测ctr大于所述目标ctr，则所述控制模块决定所述待投放广告为出价广告；如果所述待投放广告的所述预测ctr不大于所述目标ctr，则所述控制模块继续对下一个所述待投放广告进行判断。b.如果所述待投放广告的所述预测ctr大于所述目标ctr*r，则所述控制模块决定所述待投放广告为出价广告；如果所述待投放广告的所述预测ctr不大于所述目标ctr*r，则所述控制模块继续对下一个所述待投放广告进行判断；其中，0.8≤r<1。r为动态变化的值，且使所述待投放广告的ctr不小于目标ctr。
[0046]
仍以图2所述的广告为例，如果该广告排序对应的广告请求的预测ctr为0.75。在方式a的模式下，直接用预测crt与目标ctr进行比较，依次对b,a,e,c,d进行比较，得到待投放广告e。在方式b的模式下，使用预测ctr与目标ctr*r进行比较，示例性地，以r=0.9进行计算，得到b,a,e,c,d对应的目标ctr分别为0.765，0.72，0.63，0.675，0.63，依次进行比较，得到待投放广告a。虽然在本例中，广告a和广告e的出价相同，但更多的时候，两种模式下广告的出价并不相同。从广告排序上看，方式b下待投放广告在广告排序中的顺序一般高于方式a下待投放广告的顺序。
[0047]
投放模块500，用于根据所述控制模块决定的所述出价广告进行出价，并根据反馈情况进行广告内容的发送。
[0048]
具体地说，最终出价中的最高者是指未出价中的广告的最高出价者。如果渠道商或者媒体请求一个广告，而最高者出价失败，则以剩余中没有出价的广告的最高出价为最高出价者进行出价。仍以上例进行说明，在方式a的模式下，得到待投放广告e，则投放模块500按e的出价1.3进行出价；在方式b的模式下，得到待投放广告a，则投放模块500按a的出价1.3进行出价。如果竞价成功，则会接收到渠道商或者媒体发送过来的广告内容请求，投放模块500则将对应的广告内容发送给渠道商或者媒体，以完成广告投放。如果竞价失败，则无法接收到渠道商或者媒体发送过来的广告内容请求。
[0049]
记录模块600，用于记录广告的投放情况，并更新所述广告投放记录数据库。
[0050]
具体地说，记录模块600用于将投放情况的数据以结构化存储的方式写入广告投
放记录数据库。广告投放记录数据库以结构化存储的方式进行存储，可以提高数据的读写速度，从而可以提高系统的运行与响应速度。记录模块600实时对广告投放记录数据库进行更新，不仅包括竞价成功的广告，还包括竞价失败的广告。记录模块600还对超过一年的记录进行删除操作，可以控制广告投放记录数据库的大小，缩短读写时间，提高系统的响应速度。
[0051]
相应地，如图3所示，提供了一种提高ctr值的cpm方法，包括如下步骤。
[0052]
s1.使用上述的接收模块接收dsp广告请求，并获取目标用户的特征数据。
[0053]
在本步骤中，服务器接收dsp广告请求，获得目标用户的特征数据。如果目标用户的特征数据缺失，则需要向渠道商或媒体请求缺失的信息。
[0054]
s2.使用上述的筛选模块根据所述特征数据从可投放广告中筛选出相应的待投放广告，并将筛选出的所述待投放广告进行排序；其中，所述待投放广告均有对应的出价及目标ctr。
[0055]
在本步骤中，根据上一步骤中的特征数据和系统中广告主设置的定向条件，通过比对识别出符合要求的待投放广告。其中，待投放广告均为投放中的广告。本步骤中同时还获取待投放广告对应的出价及目标ctr。
[0056]
s3.使用上述的机器学习模块对广告投放的历史数据进行学习，以获得预测ctr；所述历史数据存放于投放记录数据库中。
[0057]
在本步骤中，通过机器学习的方式对广告投放的数据进行学习，获得预测ctr，用以评估该广告请求。本步骤的具体执行参见上一实施例。本步骤可以在步骤s2之后执行，也可以在步骤s2之前执行。
[0058]
s4. 使用上述的控制模块按所述排序情况对多个所述待投放广告进行判断，比较预测ctr与所述目标ctr，并决定待投放广告是否针对所述dsp广告请求出价，从而最终控制出价广告。
[0059]
在本步骤中，通过预测ctr与目标ctr的比较，控制并选择出对广告请求进行响应的广告。具体的选择过程参见上一实施例。本步骤是本发明最核心的部分，在cpm模式下可以实现ctr指标的实现。
[0060]
s5. 使用上述的投放模块根据所述控制模块决定的所述出价广告进行出价，并根据反馈情况进行广告内容的发送。
[0061]
在本步骤中，将上一步骤中选择出的广告进行出价流程，并响应后续的渠道商或者媒体的广告内容请求，以完成广告的最终展示。
[0062]
s6. 使用上述的记录模块记录广告的投放情况，并更新所述广告投放记录数据库。
[0063]
在本步骤中，记录模块实时更新广告投放记录数据库，是所有步骤中最后执行的一个。
[0064]
在本实施例中，与上一实施例中重复部分不再赘述，未阐明的部分均参见上一实施例。
[0065]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。