排期与动态广告混合投放决策逻辑
担保式投送系统 用到的核心技术有
- 流量预测 给定一组受众标签组合以及一个eCPM的阈值,估算在将来某个时间段内符合这些受众标签组合的条件并且市场价在该eCPM阈值以下的广告展示量 。流量预测一般的方法其实并不是预测,而是根据历史数据的统计来拟合未来的流量,可行的思路是将其视为一个反向检索的问题,主要步骤为:准备文档、建立索引、查询结果、估算流量
- 频次控制 某个用户在一段时间内看到某个或某组广告的曝光次数 , 有客户端和服务器端两种解决方案
- 在线分配 通过对每一次广告展示进行实时在线决策,从而达到在满足某些量的约束的前提下,优化广告产品整体收益的过程
(2)
实际产品中常见的需求约束有两类:预算、服务成本等的上线要求和合约的下限要求
在线分配问题的另一个约束条件是每个供给节点被分配出去的量不能多于其总流量,称为供给约束(supply constraint)
(3)
从式(1)定义的广告目标出发,引入供给约束和需求约束,得到下面在线分配优化问题框架表示
(4)
受众定向受众定向技术是对广告(a) , 用户(u) , 上下文(c)三个维度提取有意义的特征的过程,按照计算框架不同可将受众定向技术分为3种类型
- 用户标签
- 上下文标签 思路:用规则将页面归类到一些频道或主题分类,提取页面中的关键词,提取页面入链锚文本中的关键词 , 提取页面流量来源中的搜索关键词,用主题模型将页面内容映射到语义空间的一组主题上 。常用主题挖掘模型有:LSA模型、PLSI模型、LDA模型以及word2vec
- 定制化标签
- 竞价广告计价算法
// In//cands: 候选广告ID//ctrs:候选广告预估的点击率//bids:候选广告的出价//MRP: 市场保留价//squash: 价格挤压因子//slotNum: 广告条目数// Out//results: 排序结果//prices:计价结果void auction(vector & cands, Vec & ctrs, Vec & bids, float MRP,float squash, int slotNum, vector & results, Vec & prices) {int candNum = cands.size();// 按照给定的squashing因子调整预估CTRfor (int c = 0; c = MRP)eCPMs[c] = ctrs[c] * bids[c];// 将所有候选按照 eCPM 排序for (int c1 = 0; c1
推荐阅读
- 热水器的电池有什么用
- 面部色素斑的认识
- 投放效果最好的4大平台 网上投广告哪个平台好
- 白醋打白菜好吗 养生从小事做起
- 金钱的发展史
- 产品开发年终总结 产品设计ppt案例
- 如何高效组织跨部门需求沟通会议
- 热水器泄压阀常流水怎么调
- 郑州公交免费乘坐一个月真的假的