RTB实时竞价算法.docxVIP

RTB?实时竞价算法 1. 算法简介 ? 4 1.1 算法用途 4 1.2 算法概述 4 2. 算法详细说明 5 2.1 广告活动匹配? 5 2.2 实时竞价算法? 6 3. 算法改进方向? 12 3.1 特征属性的选择 12 3.2 点击率预测? 12 3.3 竞价调整方式 12 4. 补充问题 ? 12 4.1 无历史数据阶段 12 4.2 利用历史数据阶段 12 4.3 展示的分布控制 13 5. 参考文献 ? 14 6. 附件 ? 15 6.1 名词 15 6.2 算法总体流程图 16 6.3 输入输出表? 16 6.4 数据预处理流程 18 6.5 计算权重算法流程 20 6.6 模型检验? 23 RTB?实时竞价算法 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： 日志信息败?,价 日志信息 败?,价格 成功?率 请求 策略  DSP  RTB ， 功/失?等 竞?价成 回应信息（100ms） 需求信息（带用户id）  Ad?Exchange  广告 广告  媒体（网页） 广告位 客户价值 用户id为索引的 用户属性知识库 DMP  为竞价算法的输入 部署广告位 站长/网站 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； 广告 媒体信息 用户?ID 时间戳 是否点 击 是否成 功 报价 成交价 格 创意 类型 权重 尺寸 …… 是RTB?实时竞价算法 是 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( 实时竞价算法的输出主要是获胜的(广告活动信息，竞价)组。 请求中媒体信息， 用户ID，广告活动 集,DMP系统信息 匹配广告活动 计算竞价值并排序 输出(广告活动，竞 价)信息组 图2?RTB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 广告位信息 广告活动 用户属性 属性1 广告位宽 投放媒体偏好 性别 属性2 广告位高 访客所在地区 年龄 属性3 不允许的属性id集合 访客年龄 地域 属性4 允许的广告技术类别 访客性别 婚姻 属性5 排除的敏感类别 访客婚姻状况 教育程度 属性6 排除的产品类别 访客教育程度 兴趣 属性7 媒体提供的限制列表 访客兴趣爱好 属性8 访客购买偏好