本發(fā)明屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域，具體涉及一種在線競(jìng)價(jià)概率模型生成方法。

背景技術(shù)：

實(shí)時(shí)競(jìng)價(jià)(RealTime Bidding，簡(jiǎn)稱RTB)，是一種利用第三方技術(shù)在數(shù)以百萬(wàn)計(jì)的網(wǎng)站上針對(duì)每一個(gè)用戶展示行為進(jìn)行評(píng)估以及出價(jià)的競(jìng)價(jià)技術(shù)。與大量購(gòu)買投放頻次不同，實(shí)時(shí)競(jìng)價(jià)規(guī)避了無(wú)效的受眾到達(dá)，只針對(duì)有意義的用戶進(jìn)行購(gòu)買。它的核心是DSP平臺(tái)(需求方平臺(tái))，RTB對(duì)于媒體來(lái)說(shuō)，可以帶來(lái)更多的廣告銷量、實(shí)現(xiàn)銷售過(guò)程自動(dòng)化及減低各項(xiàng)費(fèi)用的支出。而對(duì)于廣告商和代理公司來(lái)說(shuō)，最直接的好處就是提高了效果與投資回報(bào)率。RTB的出現(xiàn)就是互聯(lián)網(wǎng)廣告從廣告位時(shí)代進(jìn)入人群實(shí)時(shí)競(jìng)價(jià)時(shí)代。

在線競(jìng)價(jià)的行為是一個(gè)極其復(fù)雜的問(wèn)題，目前在業(yè)界和學(xué)術(shù)界尚無(wú)有效的模型。雖然在現(xiàn)實(shí)的實(shí)時(shí)競(jìng)價(jià)系統(tǒng)中，每天都有大量的數(shù)據(jù)積累，但是如何從中提煉有效的信息用于產(chǎn)生符合實(shí)際的模型是一個(gè)困難的問(wèn)題。而在線競(jìng)價(jià)的模型對(duì)于控制廣告主成本優(yōu)化，并最大化廣告主廣告投放的效果，比如在固定預(yù)算下最大化展現(xiàn)、點(diǎn)擊、到達(dá)以及轉(zhuǎn)化，或者是最大化投放覆蓋的人群量等不同的衡量效果都有重要的意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是為了解決上述問(wèn)題而進(jìn)行的，目的在于提供一種能夠產(chǎn)生KPI和獲勝價(jià)格之間的關(guān)系，能夠產(chǎn)生KPI的概率分布的在線競(jìng)價(jià)概率模型生成方法。

本發(fā)明提供了一種在線競(jìng)價(jià)概率模型生成方法，其特征在于，包括以下步驟：步驟1，輸入競(jìng)價(jià)成功的請(qǐng)求記錄作為樣本；

步驟2，將每條所述請(qǐng)求記錄基于預(yù)定規(guī)則得到預(yù)測(cè)的KPI，將所述樣本根據(jù)所述預(yù)測(cè)的KPI分為若干個(gè)區(qū)間，統(tǒng)計(jì)每個(gè)區(qū)間的統(tǒng)計(jì)的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差，并統(tǒng)計(jì)每個(gè)區(qū)間的KPI的分布和獲勝價(jià)格的分布；

步驟3，采用混合beta分布擬合每個(gè)區(qū)間的樣本數(shù)據(jù)得到模型分布，并得到每個(gè)區(qū)間的計(jì)算的KPI的均值和KPI的方差；

步驟4，擬合每個(gè)區(qū)間的KPI和獲勝價(jià)格得到模型函數(shù)；

步驟5，將每個(gè)區(qū)間根據(jù)所述模型分布重新生成一組滿足模型分布的新樣本，并統(tǒng)計(jì)新樣本的KPI的均值和方差，將新樣本根據(jù)模型函數(shù)得到的獲勝價(jià)格，并統(tǒng)計(jì)得到獲勝價(jià)格的均值和方差；

步驟6，判斷步驟5中新樣本的KPI的均值和方差、獲勝價(jià)格的均值和方差是否逼近步驟2中統(tǒng)計(jì)的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差，如果逼近，則進(jìn)入下一步驟，若否，則返回步驟3，并改變所述混合beta分布中beta分布的數(shù)量；

步驟7，判斷步驟5中新樣本的KPI的分布和獲勝價(jià)格的分布是否逼近步驟2中樣本中KPI的分布和獲勝價(jià)格的分布，如果逼近，則模型構(gòu)建完成，否則，返回步驟2，并改變樣本的區(qū)間的數(shù)量。

進(jìn)一步，在本發(fā)明提供的在線競(jìng)價(jià)概率模型生成方法中，還可以具有這樣的特征：其中，請(qǐng)求記錄包含自然屬性、媒體屬性、用戶之前的點(diǎn)擊行為、出價(jià)、成交價(jià)、點(diǎn)擊和轉(zhuǎn)化。。

進(jìn)一步，在本發(fā)明提供的在線競(jìng)價(jià)概率模型生成方法中，還可以具有這樣的特征：其中，KPI包含：點(diǎn)擊成本、點(diǎn)擊量、轉(zhuǎn)化成本、轉(zhuǎn)化量、CTR、CVR。

進(jìn)一步，在本發(fā)明提供的在線競(jìng)價(jià)概率模型生成方法中，還可以具有這樣的特征：其中，步驟2中，還需統(tǒng)計(jì)每個(gè)區(qū)間的樣本數(shù)量，如果單個(gè)區(qū)間的樣本的數(shù)量小于門限值，則需要將該區(qū)間與其它區(qū)間進(jìn)行合并，并更新合并后的區(qū)間的統(tǒng)計(jì)的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差,并更新合并后每個(gè)區(qū)間的KPI的分布和獲勝價(jià)格的分布。

本發(fā)明的優(yōu)點(diǎn)如下：

根據(jù)本發(fā)明所涉及的在線競(jìng)價(jià)概率模型生成方法，將歷史上獲勝的請(qǐng)求記錄，根據(jù)預(yù)測(cè)的KPI分為若干個(gè)區(qū)間，對(duì)每個(gè)區(qū)間采用混合beta分布進(jìn)行擬合，擬合每個(gè)區(qū)間KPI和獲勝價(jià)格的函數(shù)，對(duì)模型進(jìn)行校正，最終得到概率模型，通過(guò)該概率模型能夠?qū)υ诰€競(jìng)價(jià)進(jìn)行仿真和模擬，便于發(fā)現(xiàn)可分析問(wèn)題，探索最佳業(yè)務(wù)配置，分析和模擬競(jìng)爭(zhēng)對(duì)手的出價(jià)策略。

附圖說(shuō)明

圖1是本發(fā)明中在線競(jìng)價(jià)概率模型生成方法的流程圖；

圖2是本發(fā)明中樣本中的KPI分布和樣本數(shù)據(jù)根據(jù)模

型分布函數(shù)生成的KPI分布對(duì)比圖；

圖3是本發(fā)明中樣本中的獲勝價(jià)格的分布和樣本數(shù)據(jù)根據(jù)模型函數(shù)生成的獲勝價(jià)格的分布的對(duì)比圖。

具體實(shí)施方式

為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，以下實(shí)施例結(jié)合附圖對(duì)本發(fā)明在線競(jìng)價(jià)概率模型生成方法作具體闡述。

在描述之前，對(duì)本專利涉及的專業(yè)術(shù)語(yǔ)進(jìn)行說(shuō)明：

KPI：關(guān)鍵績(jī)效指標(biāo)；

CTR：點(diǎn)擊率；

CVR：點(diǎn)擊轉(zhuǎn)化率；

pdf：概率密度。

在線競(jìng)價(jià)概率模型生成方法能夠生成競(jìng)價(jià)概率模型，該競(jìng)價(jià)概率模型包含KPI和獲勝價(jià)格之間的關(guān)系，KPI的概率分布。

如圖1所示，在本實(shí)施例中，在線競(jìng)價(jià)概率模型生成方法包含以下步驟：

步驟S1，輸入競(jìng)價(jià)成功的請(qǐng)求記錄作為樣本。

一條請(qǐng)求記錄為一個(gè)樣本數(shù)據(jù)。樣本中包含大量的數(shù)據(jù)。請(qǐng)求記錄包含自然屬性、媒體屬性、用戶之前的點(diǎn)擊行為、出價(jià)、成交價(jià)、點(diǎn)擊和轉(zhuǎn)化。自然屬性包含一次競(jìng)價(jià)(pv)的時(shí)間，媒體屬性包含網(wǎng)頁(yè)地址(url)，用戶之前的點(diǎn)擊行為為一周內(nèi)用戶點(diǎn)擊過(guò)某廣告多少次。

步驟S2，將每條請(qǐng)求記錄基于預(yù)定規(guī)則得到預(yù)測(cè)的KPI，根據(jù)預(yù)測(cè)的KPI將所有的請(qǐng)求記錄分為若干個(gè)區(qū)間，統(tǒng)計(jì)每個(gè)區(qū)間的統(tǒng)計(jì)的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差，并統(tǒng)計(jì)每個(gè)區(qū)間的KPI的分布和獲勝價(jià)格的分布。

KPI包含：點(diǎn)擊成本、點(diǎn)擊量、轉(zhuǎn)化成本、轉(zhuǎn)化量、CTR、或CVR。

在本實(shí)施例中，KPI以CTR為例，預(yù)測(cè)的CTR采用現(xiàn)有的LR(Logistic Regression)，F(xiàn)M(Factorization Machines)，GBDT等算法進(jìn)行計(jì)算。

相同的預(yù)測(cè)的CTR下包含多個(gè)樣本數(shù)據(jù)。將樣本根據(jù)預(yù)測(cè)的CTR分為若干個(gè)區(qū)間，每個(gè)區(qū)間為一個(gè)數(shù)值范圍的預(yù)測(cè)的CTR，統(tǒng)計(jì)每個(gè)區(qū)間的實(shí)際的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差，并統(tǒng)計(jì)每個(gè)區(qū)間的樣本數(shù)據(jù)的數(shù)量。并統(tǒng)計(jì)每個(gè)區(qū)間的KPI的分布和獲勝價(jià)格的分布。

如果某個(gè)區(qū)間的樣本數(shù)據(jù)的數(shù)量小于門限值，則將該區(qū)間與其它區(qū)間合并，然后重新統(tǒng)計(jì)合并后的區(qū)間的實(shí)際的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差。并統(tǒng)計(jì)并后的區(qū)間的KPI的分布和獲勝價(jià)格的分布。

步驟S3，采用混合beta分布擬合每個(gè)區(qū)間的樣本數(shù)據(jù)得到模型分布，如圖2，并得到每個(gè)區(qū)間的計(jì)算的KPI的均值和KPI的方差。

將每個(gè)區(qū)間用幾個(gè)beta分布進(jìn)行擬合，并根據(jù)擬合得到的混合beta分布函數(shù)計(jì)算得到每個(gè)區(qū)間的KPI的均值和KPI的方差。

步驟S4，擬合每個(gè)區(qū)間的KPI和獲勝價(jià)格得到模型函數(shù)，如圖3。

步驟S5，將每個(gè)區(qū)間根據(jù)步驟S3中得到的模型分布中重新生成一組滿足該模型分布的新樣本，并統(tǒng)計(jì)該新樣本的KPI的均值和方差，將該新樣本根據(jù)步驟S4中得到的模型函數(shù)得到的一組與該新樣本相對(duì)應(yīng)的獲勝價(jià)格，并統(tǒng)計(jì)得到獲勝價(jià)格的均值和方差。

步驟S6，判斷步驟S5中新樣本的KPI的均值和方差、獲勝價(jià)格的均值和方差是否逼近步驟S2中統(tǒng)計(jì)的KPI的均值、KPI的方差、獲勝價(jià)格的均值和獲勝價(jià)格的方差，如果逼近，則進(jìn)入下一步驟，若否，則返回步驟S3，并改變混合beta分布中beta分布的數(shù)量。

步驟S7，判斷步驟S5中新樣本的KPI的分布和獲勝價(jià)格的分布是否逼近所述樣本中KPI的分布和獲勝價(jià)格的分布，如果逼近，則模型構(gòu)建完成，否則，返回步驟S2，并改變樣本的區(qū)間的數(shù)量。

圖2中，橫坐標(biāo)代表CTR的值，縱坐標(biāo)代表CTR的概率密度(pdf)，虛線表示樣本中的CTR的概率分布，實(shí)線表示樣本數(shù)據(jù)根據(jù)模型分布函數(shù)得到的CTR的概率分布。圖3中，橫坐標(biāo)代表CTR的值，縱坐標(biāo)代表獲勝價(jià)格，連線帶“。”符號(hào)的表示樣本中的獲勝價(jià)格分布，連線帶“*”符號(hào)的表示樣本數(shù)據(jù)根據(jù)模型函數(shù)得到的獲勝價(jià)格分布。從圖2中可以看出，兩條曲線吻合度比較好，說(shuō)明混合beta分布擬合的效果比較好。圖3中，雖然預(yù)測(cè)的CTR在0.05-0.1之間模型函數(shù)計(jì)算的獲勝價(jià)格與樣本中的真實(shí)價(jià)格有點(diǎn)偏差，但是數(shù)據(jù)整體的趨勢(shì)與樣本數(shù)據(jù)相同。

采用該在線競(jìng)價(jià)概率模型，能夠?qū)Ψ抡婧湍M在線競(jìng)價(jià)過(guò)程，方便發(fā)現(xiàn)和分析問(wèn)題。比如：某些ctr比較高，但是卻不能競(jìng)價(jià)成功，那就可以調(diào)整出價(jià)策略，從而避免無(wú)謂的去獲取一些高成本流量。需要調(diào)整出價(jià)策略時(shí)，可以先采用本在線競(jìng)價(jià)概率模型進(jìn)行模擬，模擬結(jié)果符合預(yù)期后，再線上具體進(jìn)行實(shí)施操作，在模擬期間，線上業(yè)務(wù)并不受影響。

在線競(jìng)價(jià)之前，采用本在線競(jìng)價(jià)概率模型進(jìn)行反復(fù)實(shí)驗(yàn)，從而探索出最佳業(yè)務(wù)配置。并且可以根據(jù)本在線競(jìng)價(jià)概率模型分析和模擬競(jìng)爭(zhēng)對(duì)手的出價(jià)策略，從而更好的制定自己的策略。

上述實(shí)施方式為本發(fā)明的優(yōu)選案例，并不用來(lái)限制本發(fā)明的保護(hù)范圍。