CN104081423A - 广告客户建模 - Google Patents
广告客户建模 Download PDFInfo
- Publication number
- CN104081423A CN104081423A CN201380006919.5A CN201380006919A CN104081423A CN 104081423 A CN104081423 A CN 104081423A CN 201380006919 A CN201380006919 A CN 201380006919A CN 104081423 A CN104081423 A CN 104081423A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- time period
- bid amounts
- bid
- advertiser
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0244—Optimization
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在一种支持付费广告的***中,由于基于与搜索查询的上下文相关度对广告授予广告位,因此记录周期性性能指标。周期性性能指标表示特定时间段期间的广告表现。随着时间流逝,周期性性能指标被聚集来形成历史行为指标。基于周期性性能指标和历史行为指标,制定广告客户行为的图形模型。该图形模型然后可被用于基于先前的广告客户行为来预测未来的投标值。
Description
背景技术
许多因特网搜索引擎支持付费广告,付费广告在上下文上伴随着用户提交的搜索查询的结果被显示。实践中,广告客户通常向搜索引擎提供商提供广告、关键字以及投标价格。当某一用户提交一包括该关键字或在某些情况下是相似的关键字的查询时,该广告就被标识为与搜索结果一起显示的候选广告。例如,可能有在搜索结果显示上可用的三个广告点,以及15个被标识为是上下文上相关候选者的广告。这15个广告然后至少部分地基于投标价格被排序。最前面的三个广告于是被选择来与搜索结果一起显示。
在许多实例中,广告客户创建具有特定活动目标的广告活动。例如,广告客户可能创建具有相关联的关键字的广告,以及在一周期间收到该广告上的100次点击的目标。如果三天之后该广告仅仅收到5次点击,则广告客户可选择修改广告、关键字和/或投标价格的某种组合,其中投标价格的变化通常是广告客户做出的最常见的调整。通过做出这一调整,广告客户试图增加广告将被显示的机会,从而增加广告将收到额外的点击的机会。
发明内容
本文档描述了广告客户建模。对于一给定的广告,在多个连续时间段上记录投标值的变化和周期性性能指标,这反映出一段时间期间的广告表现。周期性性能指标被聚集来形成历史行为指标,历史行为指标反映出从一个时间段到另一个时间段广告表现的变化。基于所记录的投标值的变化、周期性性能指标以及历史行为指标,生成广告客户模型。该广告客户模型使得能够基于与投标值的变化有关的过去的广告客户行为来预测未来的投标值。
提供本发明内容是为了以简化的形式介绍将在以下详细描述中进一步描述的选择的概念。本发明内容不旨在标识出所要求保护的主题的关键特征或必要特征,也不旨在用于帮助确定所要求保护的主题的范围。
附图说明
参考附图来描述详细描述。在附图中,附图标记最左边的数字标识该附图标记首次出现于其中的附图。在各附图中,使用相同的标号来指示相同的特征和组件。
图1是在其中可以实现广告客户建模的示例环境的示意图。
图2是例示出搜索引擎提供商的示例操作过程的流程图。
图3是用于预测投标值的变化的因子的示例组合的框图。
图4是例示出广告客户模型的示例生成过程的流程图。
图5是例示出图形广告客户模型的示意图。
具体实施方式
在上下文上与搜索结果一起显示的付费广告为广告客户提供了一种对其市场营销活动定标的便捷方式,以及为搜索引擎提供商提供收入。在这一***中,广告客户对与搜索结果一起显示的可用广告点进行投标。广告客户愿意支付得越多,他们的投标就越高,他们的广告将被频繁显示的机会就越大。同时,广告客户想要将他们的投标保持尽可能低,而仍然实现广告活动的目标。
当一新的广告客户向搜索引擎提供商提交一广告时,该广告客户可能没有足够的信息来做出关于投标多少的明智决策。结果,广告客户可能花费数天、或甚至数周来频繁地修改他们的投标值,以努力在实现他们所希望的结果的同时使成本最小化。在该情形中,如果搜索引擎提供商能够建议合适的投标价格将是有利的。然而,如果广告客户怀疑搜索引擎提供商正在推荐不必要的高的投标价格以努力增加搜索引擎提供商的收入,则广告客户可能变得不满意,并且将他们的业务转移至另一搜索引擎提供商。
广告客户模型可使得搜索引擎提供商能够预测未来的投标值,以及作出合理的投标值推荐。然而,对于广告客户建模来说,存在若干挑战。例如,特定广告客户的广告活动目标对于搜索引擎提供商来说通常是未知的。如此,搜索引擎提供商无法知道某一特定广告的结果(例如,投放数、点击数、所收取的单次点击成本等等)是否满足广告客户的目标。
另一挑战基于与广告活动有关的不同广告客户风格。例如,某些广告客户基于最近的广告表现频繁地调整投标值,而其他广告客户可能以某一投标值提交广告且不管该广告的表现如何也从不改变该投标值。此外,确实改变其投标值的广告客户可能仅仅基于短期结果而不考虑长期趋势就这么做。
此外,投标值的变化不一定导致活动表现的变化。例如,市场力量(例如,更新的高科技配件的发布)可驱动包含特定关键字的用户提交的查询。在用户需求高的同时,更高的投标值可导致更好的广告活动结果。然而,在用户需求衰退之后,提交更高投标值的广告客户可能在广告活动结果中看不到显著变化,因为相关用户查询的频率可能降低。作为另一示例,随着圣诞节的临近,广告客户可能增加他们的与“圣诞节”或“礼物”相关联的广告的投标值,以努力增加关于那些广告的投放数(number of impressions)。然而,出于相同原因,许多其他广告客户也可能增加他们的与这些关键字相关联的投标。因此,与这些关键字相关联的增加的投标值可能没有所希望的结果。
对广告客户行为建模的某些现有成就依赖于若干假设。例如,一种模型可假设每个广告客户具有关于某一特定拍卖的完整信息,可假设每个广告客户正在试图最优化其表现,以及可假设每个广告客户正在最优化每个单独的拍卖。然而,实际上,广告客户通常没有完整的信息。相反,广告客户通常能够访问聚集数据(例如某一时间段期间的投放数或点击数),并且如果他们要调整投标值,他们就会基于该时间段结束时的该聚集数据来这么做。
其他建模假设可包括一种简化设置(如单个广告位以及仅两个广告客户)、其他广告客户不会改变他们的投标值的假设、和/或所有广告客户都应用同一投标策略的假设。由于上述假设与实际广告客户行为不一致,因此基于上述假设的任何组合的模型也与实际数据不一致。
本文描述了一种基于通常对于广告客户可用的聚集数据来随时间对投标价格趋势进行建模的机制。投标价格趋势的模型然后可被用于推断与各种关键字相关联的市场动态,以及预测与特定关键字相关联的未来获胜投标价格。该信息然后可由搜索引擎提供商使用来向新的广告客户推荐投标价格,使得所推荐的投标价格将很可能被广告客户视为合适的,从而增加广告客户满意度。
示例环境
图1例示出可用于实现广告客户建模的示例环境100。例如,环境100包括通过网络104提供搜索服务的搜索引擎提供商102,网络104代表例如因特网或任何其他类型的公共或私有网络。在一示例实现中,搜索引擎提供商102可被实现为例如一个或多个服务器计算机***的任意组合,所述服务器计算机***包括但不限于数据库服务器、web服务器、应用服务器等。示例搜索引擎提供商102包括搜索引擎106、广告存储108、广告拍卖模块110、广告客户建模模块112、以及广告客户模型114。
在一示例情形中,广告客户116与搜索引擎提供商102交互来提交一广告供按上下文与搜索结果一起显示。例如,广告客户116可最初通过网络104向搜索引擎提供商102提交投标推荐请求118。在一示例实现中,当一广告客户正在提交一新广告、或要与某一新关键字相关联的一广告时,该广告客户可提交要与该广告相关联的该关键字,并请求搜索引擎提供商作出与要分配给该广告/关键字对的合适投标值有关的推荐。在替代实现中,投标推荐请求可包括各种信息,包括但不限于:关键字、预算额、以及广告活动目标。搜索引擎提供商102可使用作为投标推荐请求的一部分被提交的信息的任何组合来确定推荐的投标值。投标推荐120然后通过网络104从搜索引擎提供商102被传送给广告客户116。
在决定一投标值之后,这可能或可能不基于投标推荐120,广告客户116通过网络104向搜索引擎提供商102发送广告提交122。在一示例实现中,广告提交122至少包括广告、关键字、以及投标值。在替代实现中,广告提交122还可包括额外的信息,诸如但不限于:广告活动目标、广告活动预算、广告活动的到期日期/时间等等。搜索引擎提供商102将来自广告提交122的数据存储在广告存储108中。
希望进行网络搜索(例如因特网搜索)的用户124访问搜索引擎106,通过搜索引擎106提供的用户界面输入搜索查询126。一旦接收到搜索查询126,搜索引擎106标识要通过该用户界面为用户呈现的搜素结果。此外,广告拍卖模块110至少部分地基于搜索查询126、与广告相关联的关键字以及与广告相关联的投标值,来将该用户界面中的一个或多个广告点授予来自广告存储108的一个或多个相应广告。在广告拍卖模块110将一个或多个广告点授予特定广告之后,搜索引擎106返回搜索结果和广告128。
在查看带有广告的搜索结果128的用户界面显示之际,用户124可例如通过在所显示的广告中的特定一个广告上点击或以其他方式选择来提交广告选择130。搜素引擎提供商102存储广告选择130的指示,然后可将用户124的计算设备重定向到与所选广告相关联的一站点(如某一网站),或者可以其他方式将与该广告相关联的内容浮现在用户124的计算设备上。
作为广告拍卖过程的一部分,搜索引擎提供商102跟踪各种数据,这些数据随后被例如用于为广告客户生成***。例如,搜索引擎提供商102可对每个广告跟踪投放数、点击数、每次点击收取的金额。这些性能指标132然后可通过网络104被提供给广告客户116。
随着搜索和广告拍卖随时间进行,与广告存储108中的各种广告相关联的性能指标被聚集,广告客户建模模块112创建并更新广告客户模型114。
如上所述,搜索引擎提供商102可使用一个或多个计算机***的任何组合来实现。在一示例实现中,搜索引擎提供商102包括可跨多个计算设备分布的一个或多个处理器134。搜索引擎提供商102还包括一个或多个存储器组件136。
搜索引擎106、广告拍卖模块110、广告存储108、广告客户建模模块112和广告客户模型114中的任何一个或多个可以作为可由处理器134执行的计算机可读指令被至少部分地存储在存储器136中。
计算机可读介质包括至少两种类型的计算机可读介质,即计算机存储介质和通信介质。
计算机存储介质包括以用于存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于,RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光存储、磁带盒、磁带、磁盘存储或其他磁存储设备,或者可用于存储信息以供计算设备访问的任何其他非传输介质。
相反,通信介质通常用诸如载波或其他传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其他数据。如本文所定义的,计算机存储介质不包括通信介质。
如图1中所例示的,存储器136是计算机存储介质的示例。
示例操作
图2例示出搜索引擎提供商102的示例操作过程200。该过程被例示为逻辑流程图中的框的集合,表示可用硬件、软件或其组合实现的一系列操作。在软件的上下文中,这些框表示可被存储在一个或多个计算机存储介质上的计算机可执行指令,这些指令可由一个或多个处理器执行来使得这些处理器执行既定操作。注意,描述过程的次序并不旨在解释为限制,并且任何数目的所述过程框可以按任何次序组合以实现本过程或替换过程。另外,可从各过程中删除各个框,而不背离此处所述的主题的精神和范围。此外,尽管参考上述参考图1所述的搜索引擎提供商102来描述该过程,但其他计算机架构也可整体或部分地实现该过程的一个或多个部分。
在框202,一广告被接收到。例如,从广告客户116接收到广告提交122。在一示例实现中,所接收的该广告可包括<广告,关键字>对。
在框204,与该广告相关联地接收到投标值。例如,广告客户116指定要与该<广告,关键字>对相关联的投标值。投标值表示在广告与搜索结果一起被呈现(例如广告投放)时和/或在广告与搜索结果一起被呈现之后被用户选择(例如广告点击)时广告客户愿意支付的最大金额。
在框206,接收到搜索请求。例如,通过网络104从用户124接收到所述查询126。该搜索查询可以是例如要针对其进行因特网搜索的单词或短语。
在框208,进行广告拍卖。例如,广告拍卖模块110将接收到的搜索请求与和广告存储108中的广告相关联的关键字进行比较,以便基于与该搜索查询的上下文相关度来标识候选广告。然后至少部分地基于投标值来对候选广告排序,并为每个可用广告位确定获胜广告。
在框210,返回带有广告的搜索结果。例如,基于该搜索查询126的因特网搜索的结果与每个可用广告位的获胜广告一起被返回给用户。
在框212,记录与该广告相关联的周期性性能指标。例如,在广告连同查询结果一起被返回时,广告拍卖模块110收集与广告投放、广告点击、对广告客户的收费等有关的统计数据。这些性能指标被维护在广告存储108中。
在框214,与该广告相关联地接收到更新的投标值。例如,在审阅了性能指标132之后,广告客户116可提交修改的投标值,要么增加要么降低先前的投标值。
如从框214到框206的循环所指示出的那样,为该广告持续地记录周期性性能指标,现在具有更新的投标值。
在框216,周期性性能指标被聚集来生成历史行为指标。例如,广告客户建模模块112聚集多个时间段上的周期性性能指标,得到历史行为指标。作为一示例,周期性性能指标可包括在某一特定时间段期间与该广告相关联的投放数。历史行为指标可包括从一个时间段到另一个时间段和该广告相关的投放数的差异。周期性性能指标表示某一特定时间段期间的广告表现,而历史行为指标表示广告表现随时间的变化。
在框218,制定和/或更新广告客户行为的图形模型。例如,广告客户建模模块112使用周期性性能指标和历史行为指标来生成与该广告相关的广告客户行为的图形模型。该图形模型基于与该广告相关联地随时间记录的数据。如此,随着额外的数据被记录,该图形模型被更新来计及该额外的数据。
一旦被制定,广告客户行为的该图形模型可被用于预测与该广告相关联的从一个时间段到另一个时间段的投标值的变化。
图3例示出预测投标值的变化的因子的示例组合。对于任一特定的<广告,关键字>对,历史行为指标(HBI)302与第一时间段T期间的投标值304以及与来自第一时间段T的周期性性能指标(PPI)306相组合。投标值、历史行为指标以及周期性性能指标的这种组合为即将到来的时间段(T+1)提供了预测投标值308。
时间段(T)可以是任何合适的时间段,诸如一天、一周或一个月。投标值304表示时间段(T)期间的投标值,该值可以是平均投标值。与特定投标值相反,使用平均投标值考虑了时间段(T)期间广告客户提交的投标值的变化,并且考虑了为各种类型的关键字匹配指定的投标值中的差异。在一示例实现中,根据关键字与用户提交的查询的匹配程度,搜索引擎可允许广告客户为特定的<广告,关键字>对指定多个投标值。例如,某一广告客户可以指定在关键字与用户提交的查询精确匹配时使用的较高投标值,在关键字与用户提交的查询粗略匹配时使用的较低投标值(例如,关键字是该查询中的某一单词的同义词,或是该查询中某一单词的变形),在关键字是该搜索查询中的某一短语的一部分时使用的进一步低的投标值,以及在关键字按内容相似度与该搜索查询匹配时使用的更低的投标值。如果某一广告客户对于各种类型的查询匹配提交了四个这样的投标值,则投标值304可表示这四个投标值的平均数。
周期性性能指标(PPI)306是某一特定时间段期间与一<广告,关键字>对相关联的数据点,通常使得这些数据点对广告客户可用。PPI 306使得广告客户能够看到该特定时间段期间该<广告,关键字>对的表现结果。下表1列出周期性性能指标306的示例。
表1
跨多个时间段随时间聚集PPI,从而创建历史行为指标(HBI)302。下表2列出HBI 302的示例。
表2
表2中参考历史行为指标ECount、BCount、PCount和CCount提及的时间段(Tˊ)表示聚集时间段。例如,如果时间段(T)具有一周的持续时间,则时间段(Tˊ)表示例如两周、5周、20周等的更长时间段。
图4例示出广告客户模型的示例生成过程。该过程被例示为逻辑流程图中的框的集合,表示可用硬件、软件或其组合实现的一系列操作。在软件的上下文中,这些框表示可被存储在一个或多个计算机存储介质上的计算机可执行指令,这些指令可由一个或多个处理器执行来使得这些处理器执行既定操作。注意,描述过程的次序并不旨在解释为限制,并且任何数目的所述过程框可以按任何次序组合以实现本过程或替换过程。另外,可从各过程中删除各个框,而不背离此处所述的主题的精神和范围。此外,尽管参考上述参考图1所述的搜索引擎提供商102来描述该过程,但其他计算机架构也可整体或部分地实现该过程的一个或多个部分。
图4种所例示的过程可对每个广告客户的每个<广告,关键字>对执行。替代地,该过程可对某一特定广告客户跨多个<广告,关键字>对来执行,或者该过程可跨多个广告客户对具有相同关键字的特定<广告,关键字>对来执行。
在框402,一<广告,关键字>对被标识。例如,广告客户建模模块112从广告存储108选择一特定的<广告,关键字>对。
在框404,确定所选<广告,关键字>对的投标变化分布。投标变化分布很大程度上基于与所选<广告,关键字>对相关联的HBI。例如,跨多个时间段检查历史行为指标ActualBidDif。如上所述,对于某一特定时间段T,ActualBidDif是时间段T-1期间平均投标值与时间段T期间的平均投标值之间的差异。ActualBidDif为0指示出从时间段T到时间段T-1平均投标值没有变化。类似地,大于0的ActualBidDif指示出从时间段T-1到时间段T平均投标值增加了,而小于0的ActualBidDif指示出从时间段T-1到时间段T平均投标值减少了。
如上所讨论的,时间段T和T-1可以是任何合适的持续期。为了便于讨论,假设每个时间段是一天,且假设对于某一特定<广告,关键字>对存在跨度100天的数据可用。在该示例中,存在100个ActualBidDif值可用。为了确定投标变化分布,非零ActualBidDif值(指示出投标值的变化)的数量与ActualBidDif等于0(指示出投标值无变化)的次数相比较。
作为一示例,如果在100个时间段上,投标值变化35次不变65次,则投标值变化分布将为(0.35,0.65),这指示出对于给定的<广告,关键字>对,广告客户有0.35的概率在当前时间段和下一时间段之间改变投标。类似地,有0.65的概率从当前时间段到下一时间段广告客户将不改变投标。
在框406,初始化一循环来步进通过对所标识的<广告,关键词>对可获得历史数据的这些时间段。例如,将一变量t初始化为1,指示出数据可用的第一时间段。
在框408,确定投标变化状态。投标变化状态指示出从当前时间段t到下一时间段t+1投标值是否要改变。
如果当前时间段t的投标变化状态指示出无变化,则在框410,投标变化量被设为0。
在框412,时间段t递增至t+1,处理如上在框408处所述那样继续。
另一方面,如果在框408,时间段t的投标变化状态指示出变化,则在框414,确定变化方向。如上所述,如果投标值在时间段t和时间段t+1之间改变,则投标值可要么增加要么减少。如将在下文中进一步详细讨论的那样,投标将增加还是减少可基于变化方向分布,变化方向分布在很大程度上基于当前PPI。
如果框414处确定的变化方向指示出增加,则在框416,确定增加的大小。类似地,如果框414处确定的变化方向指示出减少,则在框418,确定减少的大小。如将在下文中进一步详细讨论的那样,增加的大小是基于当前PPI和特定函数/策略来确定的。类似地,减少的大小也是基于当前PPI和另一特定函数/策略来确定的。
在框412,时间段t然后递增至t+1,处理如上参考框408所述那样继续。
图5例示出与图4中所例示的示例生成过程对应的图形广告客户模型。该图形模型500基于潜在狄利克雷分配(Latent Dirichlet Allocation),潜在狄利克雷分配为离散数据的集合提供了生成概率模型。潜在狄利克雷分配在Blei等人所著的“Latent Dirichlet Allocation(潜在狄利克雷分配)”中描述:Journalof Machine Learning Research 3(January 2003),pp.993-1022(机器学习研究期刊3(2003年1月),第993-1022页)。
模型500的描述中所使用的符号包括以下:
·<广告,关键字>对:dn∈D,(n=1,…,N)
·时间段:t,其中(t=1,…,T)
·周期性性能指标:k,其中(k=1,…,K)
·历史行为指标:l,其中(l=1,…,L)
·dn在时间段t中的投标值:
·dn在时间段t中的PPI:
·dn在时间段t中的HBI:
·dn投标变化分布:θn
·投标变化状态:
·投标变化方向:
·投标变化量:
·投标变化分布的参数:α
·投标变化量的参数矩阵:β1,β2
·变化方向分步的参数:λ
板502表示可用的<广告,关键字>对dn,其中n=1,2,…,N。板504表示时间,每个时隙被表示为t,其中t=1,2,…,T。
参数α506是历史行为指标的函数,使得类似的,参数λ、β1和β2分别是周期性性能指标的函数,使得以及i=1,2。在一示例实现中,α506反映出关于从一个时间段到下一个时间段投标值是否变化的历史指标;λ508反映出关于在从一个时间段到下一个时间段投标值变化时投标值是增加还是减小的历史指标;β1510是反映出在从一个时间段到下一个时间段投标值增加时历史投标值变化大小的函数;β2512是反映出在从一个时间段到下一个时间段投标值减小时历史投标值变化大小的函数。参数β1和β2可各自考虑任何数量或组合的历史行为指标。在一示例实现中,参数β1所基于的函数可以向ImpressionNumDif和ClickNumDif值给予更多权重,而参数β2所基于的函数可以向SumChargedDif和AvgChargedDif值给予更多权重。替代实现可对各种HBI值的影响进行不同的加权。
基于参数α506,对每个<广告,关键字>对dn(由板502表示)确定投标变化分布(θ)514。在一示例实现中,投标变化分布是狄利克雷分布,使得θn~Dir(α)。
基于投标变化分布(θ)514,对每个时间段t(由板504表示)确定投标变化状态(z)516。在一示例实现中,投标变化状态由伯努利(Bernoulli)分布给出相应地,如果选择了越来越多数量的投标变化状态值,所选变化状态值的分布将趋向于与投标变化分布对应的分布。
如果是“无变化”,则投标变化量(δ)518由给出。
如果是“变化”,则确定变化方向。变化方向(v)520基于参数λ508。在一示例实现中,变化方向由伯努利(Bernoulli)分布给出
如果是“增加”,则投标变化量由给出。类似地,如果是“减少”,则投标变化量由给出。
上述参考图4和5例示和描述的模型提供了一种用于预测投标值的推理方法。例如,上述模型为以下公式提供支持:
联合分布:
积分与求和:
一组<广告,关键字>对的概率:
结语
这里描述的生成概率性广告客户基于通常对广告客户可用的性能指标来对与投标值随时间的变化有关的广告客户行为进行建模。由于该模型不依赖于假设,而是基于历史数据生成的,因此该模型与实际广告客户行为一致并且提供了一种有意义的投标值预测工具。
尽管已经用结构特征和/或方法运算专用的语言描述了本主题,但要理解,所附权利要求书中定义的主题不必限于所描述的具体特征或操作。相反,这些具体特征和动作是作为实现权利要求的示例形式来公开的。
Claims (10)
1.一种方法,包括:
接收在第一时间段期间与一广告相关联的第一投标值;
记录在所述第一时间段期间与所述广告相关联的第一性能指标;
接收在第二时间段期间与所述广告相关联的第二投标值;
记录在所述第二时间段期间与所述广告相关联的第二性能指标;
聚集所述第一性能指标和所述第二性能指标来生成与所述广告相关联的历史行为指标;以及
制定可用于预测要与所述广告相关联的未来投标值的图形模型,所述图形模型至少部分地基于所述历史行为指标。
2.如权利要求1所述的方法,其特征在于,所述历史行为指标是:
所述第一时间段期间所述广告的投放数与所述第二时间段期间所述广告的投放数之间的差异;
所述第一时间段期间所述广告上的点击数与所述第二时间段期间所述广告上的点击数之间的差异;
所述第一投标值与所述第二投标值之间的差异;
所述第一时间段期间对所述广告收取的总金额与所述第二时间段期间对所述广告收取的总金额之间的差异;
所述第一时间段期间与所述广告相关联的每次点击的平均成本与所述第二时间段期间与所述广告相关联的每次点击的平均成本之间的差异;或者
在包括所述第一时间段和所述第二时间段的合成时间段上的投标变化频率。
3.如权利要求1所述的方法,其特征在于,所述图形模型至少部分地基于潜在狄利克雷分配,并提供生成概率性模型。
4.如权利要求1所述的方法,其特征在于,制定图形模型包括:
至少部分地基于多个时间段上与所述广告相关联的投标值的先前变化来确定投标变化分布;
至少部分地基于所述投标变化分布来定义投标变化状态分布,所述投标变化状态分布定义了所述投标值在下一时间段将改变的概率;
至少部分地基于所述投标变化分布来定义变化方向分布,使得在投标变化状态分布指示出投标值在下一时间段将改变的情况下,所述变化方向分布定义所述投标值在下一时间段将增加的概率;
定义至少一个历史行为指标的函数来对在所述变化方向分布指示出所述投标值在下一时间段将增加的情况下的增加大小进行建模;
定义至少一个历史行为指标的函数来对在所述变化方向分布指示出所述投标值在下一时间段将减少的情况下的减少大小进行建模;
至少部分地基于当前投标值、所确定的变化方向以及所确定的变化大小来定义预测投标值。
5.一种方法,包括:
接收要与上下文相关的内容一起显示的多个广告,所述多个广告中的每一个具有相关联的投标值;
接收显示内容的请求;
对于接收到的每一个请求,进行(208)广告拍卖来选择所述多个广告中的至少一个广告与所请求的内容一起显示,其中要显示的所述至少一个广告是至少部分地基于与所述至少一个广告相关联的投标值而被选择的;
收集描述在一时间段上进行的多次广告拍卖的结果的数据;以及
至少部分地基于所收集的数据以及所述时间段上的投标值的过去变化,创建广告客户行为的生成概率性模型。
6.如权利要求5所述的方法,其特征在于,还包括使用所述生成概率性模型来为即将到来的时间段预测所述多个广告中的特定一个广告的投标值,其中使用所述生成概率性模型来为即将到来的时间段预测所述多个广告中的特定一个广告的投标值包括:
确定在当前时间段与所述即将到来的时间段之间,所述多个广告中的所述特定一个广告的投标值将保持不变、增加还是减少;
在确定出在所述当前时间段与所述即将到来的时间段之间,所述投标值将保持不变的情况下,将所述即将到来的时间段所述多个广告中的所述特定一个广告的投标值预测为与所述当前时间段所述多个广告中的所述特定一个广告的投标值相同;
在确定出从所述当前时间段到所述即将到来的时间段,所述投标值将增加的情况下,
确定从所述当前时间段到所述即将到来的时间段,所述投标值将增加的大小;以及
将所述即将到来的时间段所述多个广告中的所述特定一个广告的投标值预测为等于所述当前时间段的投标值加上从所述当前时间段到所述即将到来
的时间段所述投标值将增加的大小;以及
在确定出从所述当前时间段到所述即将到来的时间段,所述投标值将减少的情况下,
确定从所述当前时间段到所述即将到来的时间段,所述投标值将减少的大小;以及
将所述即将到来的时间段所述多个广告中的所述特定一个广告的投标值预测为等于所述当前时间段的投标值减少从所述当前时间段到所述即将到来的时间段所述投标值将减少的大小。
7.如权利要求6所述方法,其特征在于,确定在当前时间段与所述即将到来的时间段之间,所述特定一个广告的投标值将保持不变、增加还是减少包括:
从描述所述多次广告拍卖的结果的所述数据确定从一个时间段到下一紧接着的时间段与所述多个广告中的所述特定一个广告相关联的投标值已经改变的频率;
至少部分地基于所确定的频率,定义变化概率分布;以及
至少部分地基于所述变化概率分布选择变化状态,所述变化状态指示出在所述当前时间段和所述即将到来的时间段之间与所述特定一个广告相关联的投标值是否将变化,使得如果选择了不断增加的次数的变化状态,则所选变化状态值的分布将趋向于与所述变化概率分布相对应的分布。
8.一种***,包括:
搜索引擎,被配置为:
接收查询;
搜索与所述查询有关的内容;以及
返回包括与所述查询有关的所述内容的查询结果;
广告拍卖模块,被配置为:
从广告客户接收<广告,关键字>对,每个<广告,关键字>对具有相关联的投标值;
对于特定的一个<广告,关键字>对:
在第一时间段期间将第一投标值与所述特定的<广告,关键字>对相关联;
接收对所述特定的<广告,关键字>对的更新的投标值;以及
在第二时间段期间将所述更新的投标值与所述特定的<广告,关键字>对相关联;
至少部分地响应于所述搜索引擎接收到所述查询:
标识可用广告位,可连同所述查询结果一起在所述可用广告位中返回上下文相关的广告;
至少部分地基于所述查询与候选广告的相应<广告,关键字>对的关键字的比较来选择候选广告;
至少部分地基于与所述候选广告的<广告,关键字>对相关联的投标值来进行拍卖;以及
从所述候选广告中选择获胜广告,所述获胜广告连同所述查询结果
一起被所述搜索引擎返回;以及
广告客户建模模块,被配置为:
记录与<广告,关键字>对相关联的投标值随时间的变化;
记录与<广告,关键字>对相关联的周期性性能指标;
聚集所述周期性性能指标来记录与<广告,关键字>对相关联的历史行为指标;以及
至少部分地基于投标值的变化以及所述历史行为指标,生成与投标值随时间的变化有关的广告客户行为的模型。
9.如权利要求8所述的***,其特征在于,所述广告客户建模模块进一步被配置为确定投标变化分布,所述投标变化分布至少部分地基于投标值的变化来定义从一个时间段到下一时间段与一特定<广告,关键字>对相关联的投标值将变化的概率。
10.如权利要求9所述的***,其特征在于,所述广告客户建模模块进一步被配置为确定投标变化方向分布,在从一个时间段到下一时间段投标值将变化的情况下,所述投标变化方向分布至少部分地基于投标值的变化来定义从一个时间段到下一时间段与一特定<广告,关键字>对相关联的投标值将增加的概率。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/358,955 | 2012-01-26 | ||
US13/358,955 US20130197993A1 (en) | 2012-01-26 | 2012-01-26 | Advertiser Modeling |
PCT/US2013/021352 WO2013112305A1 (en) | 2012-01-26 | 2013-01-14 | Advertiser modeling |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104081423A true CN104081423A (zh) | 2014-10-01 |
Family
ID=48871081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380006919.5A Pending CN104081423A (zh) | 2012-01-26 | 2013-01-14 | 广告客户建模 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20130197993A1 (zh) |
EP (1) | EP2807621A4 (zh) |
CN (1) | CN104081423A (zh) |
WO (1) | WO2013112305A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695918A (zh) * | 2019-03-11 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 广告投放方法、装置、电子设备及存储介质 |
CN112488757A (zh) * | 2020-11-30 | 2021-03-12 | 上海酷量信息技术有限公司 | 一种根据时间维度自动调整出价的***和方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9665890B1 (en) * | 2012-11-21 | 2017-05-30 | Google Inc. | Determining lookback windows |
US11074529B2 (en) | 2015-12-04 | 2021-07-27 | International Business Machines Corporation | Predicting event types and time intervals for projects |
US11120460B2 (en) | 2015-12-21 | 2021-09-14 | International Business Machines Corporation | Effectiveness of service complexity configurations in top-down complex services design |
US20170358000A1 (en) * | 2016-06-10 | 2017-12-14 | Adobe Systems Incorporated | Intraday modeling to adjust online ad distribution |
US10902446B2 (en) | 2016-06-24 | 2021-01-26 | International Business Machines Corporation | Top-down pricing of a complex service deal |
US10929872B2 (en) * | 2016-06-24 | 2021-02-23 | International Business Machines Corporation | Augmenting missing values in historical or market data for deals |
US11182833B2 (en) | 2018-01-02 | 2021-11-23 | International Business Machines Corporation | Estimating annual cost reduction when pricing information technology (IT) service deals |
WO2021107444A1 (ko) * | 2019-11-25 | 2021-06-03 | 주식회사 데이터마케팅코리아 | 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치 |
CN116051206A (zh) * | 2023-03-27 | 2023-05-02 | 阿里健康科技(杭州)有限公司 | 广告投放请求发送方法、装置、设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0107290D0 (en) * | 2001-03-23 | 2001-05-16 | Hewlett Packard Co | Method and data structure for participation in multiple negotiations |
US8010341B2 (en) * | 2007-09-13 | 2011-08-30 | Microsoft Corporation | Adding prototype information into probabilistic models |
KR100922692B1 (ko) * | 2008-02-12 | 2009-10-20 | 엔에이치엔비즈니스플랫폼 주식회사 | 키워드 광고의 판매가격 결정방법 및 상기 방법을 이용한경매 시스템 |
KR101012165B1 (ko) * | 2008-08-05 | 2011-02-07 | 엔에이치엔비즈니스플랫폼 주식회사 | 광고 트래픽에 따라 단위시간 입찰가를 조절하여 광고를제공하는 방법 및 시스템 |
KR101001803B1 (ko) * | 2008-11-04 | 2010-12-15 | 엔에이치엔비즈니스플랫폼 주식회사 | 클릭이나 노출에 따른 입찰가 및 기간에 따른 입찰가를 이용한 경매 방법 및 시스템, 광고 제공 방법 및 시스템 그리고 과금 방법 및 시스템 |
US20110173063A1 (en) * | 2010-01-11 | 2011-07-14 | Yahoo! Inc. | Advertiser value-based bid management in online advertising |
US20110191169A1 (en) * | 2010-02-02 | 2011-08-04 | Yahoo! Inc. | Kalman filter modeling in online advertising bid optimization |
-
2012
- 2012-01-26 US US13/358,955 patent/US20130197993A1/en not_active Abandoned
-
2013
- 2013-01-14 EP EP13741475.1A patent/EP2807621A4/en not_active Withdrawn
- 2013-01-14 CN CN201380006919.5A patent/CN104081423A/zh active Pending
- 2013-01-14 WO PCT/US2013/021352 patent/WO2013112305A1/en active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695918A (zh) * | 2019-03-11 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 广告投放方法、装置、电子设备及存储介质 |
CN112488757A (zh) * | 2020-11-30 | 2021-03-12 | 上海酷量信息技术有限公司 | 一种根据时间维度自动调整出价的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20130197993A1 (en) | 2013-08-01 |
EP2807621A1 (en) | 2014-12-03 |
WO2013112305A1 (en) | 2013-08-01 |
EP2807621A4 (en) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104081423A (zh) | 广告客户建模 | |
Rutz et al. | A model of individual keyword performance in paid search advertising | |
US8473339B1 (en) | Automatically switching between pricing models for services | |
US8655695B1 (en) | Systems and methods for generating expanded user segments | |
Miralles-Pechuán et al. | A novel methodology for optimizing display advertising campaigns using genetic algorithms | |
US10410255B2 (en) | Method and apparatus for advertising bidding | |
US20060224496A1 (en) | System for and method of expressive sequential auctions in a dynamic environment on a network | |
US20080052219A1 (en) | System for and method of expressive auctions of user events | |
US20110040613A1 (en) | Learning system for advertising bidding and valuation of third party data | |
US20070027865A1 (en) | System and method for determining semantically related term | |
US20070027864A1 (en) | System and method for determining semantically related terms | |
US20120084141A1 (en) | System and Method to Predict the Performance of Keywords for Advertising Campaigns Managed on the Internet | |
US20120130798A1 (en) | Model sequencing for managing advertising pricing | |
CN102541971A (zh) | 将登广告者目标映射到关键字 | |
Tucker | The implications of improved attribution and measurability for antitrust and privacy in online advertising markets | |
US20130246167A1 (en) | Cost-Per-Action Model Based on Advertiser-Reported Actions | |
US20080027802A1 (en) | System and method for scheduling online keyword subject to budget constraints | |
US20080027803A1 (en) | System and method for optimizing throttle rates of bidders in online keyword auctions subject to budget constraints | |
US20120130828A1 (en) | Source of decision considerations for managing advertising pricing | |
Yang et al. | Large scale CVR prediction through dynamic transfer learning of global and local features | |
Bucklin et al. | Marketing models for internet advertising | |
US20120054027A1 (en) | Network based advertisement system | |
Miralles-Pechuán et al. | Real-time bidding campaigns optimization using user profile settings | |
US9053492B1 (en) | Calculating flight plans for reservation-based ad serving | |
Shanahan et al. | Digital advertising: An information scientist’s perspective |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
ASS | Succession or assignment of patent right |
Owner name: MICROSOFT TECHNOLOGY LICENSING LLC Free format text: FORMER OWNER: MICROSOFT CORP. Effective date: 20150717 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20150717 Address after: Washington State Applicant after: Micro soft technique license Co., Ltd Address before: Washington State Applicant before: Microsoft Corp. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141001 |