CN106296247A - 网络信息资源在线排序方法和装置 - Google Patents

Abstract

本发明涉及一种网络信息资源在线排序方法和装置。所述方法包括以下步骤：获取网络信息的预估曝光量和实际曝光量；根据所述预估曝光量和实际曝光量得到定向类型下的预估误差比例；根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量；根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率；获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度；根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的网络信息的偏置参数；按照所述期望收益及偏置参数对网络信息进行在线排序。提高资源分配的准确性。

Description

网络信息资源在线排序方法和装置

技术领域

本发明涉及信息处理领域，特别是涉及一种网络信息资源在线排序方法和装置。

背景技术

随着互联网技术的发展，互联网提供了各种各样的网络信息服务。网络信息服务可包括广告服务、物品信息展示服务等。网络信息服务以互联网广告服务为例，其提供了多种广告形式，按照计费方式区分可以分为效果广告和展示广告。很大一部分互联网展示广告是通过合约售卖，即广告平台和广告主之前达成协议，售卖特定时间段、特定用户、特定展示量。

传统的广告资源分配算法是采用HWM(High Water Mark)算法，其分为离线和在线两个阶段，根据广告资源的难满足程度为合约广告分配服务优先级，然后根据服务优先级依次为广告计算分配比率，HWM算法要求曝光人群预估非常准确，而这个前提条件很难满足，比如遇到特殊日期(如周末、节假日等)、媒体方流量剧变等情况，很难提前准确预估当天的人群数量，从而导致分配不准确。

发明内容

基于此，有必要针对传统的网络信息资源分配算法难以准确分配的问题，提供一种网络信息资源在线排序方法，能提高资源分配的准确性。

此外，还有必要提供一种网络信息资源在线排序装置，能提高资源分配的准确性。

一种网络信息资源在线排序方法，包括以下步骤：

获取网络信息的预估曝光量和实际曝光量；

根据所述预估曝光量和实际曝光量得到定向类型下的预估误差比例；

根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量；

根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率；

获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度；

根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的网络信息的偏置参数；

按照所述期望收益及偏置参数对网络信息进行在线排序。

一种网络信息资源在线排序装置，包括：

曝光量获取模块，用于获取网络信息的预估曝光量和实际曝光量；

预估误差比例获取模块，用于根据所述预估曝光量和实际曝光量得到定向类型下的预估误差比例；

矫正模块，用于根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量；

曝光概率计算模块，用于根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率；

期望收益获取模块，用于获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度；

偏置参数获取模块，用于根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的各条网络信息的偏置参数；

排序模块，用于按照所述期望收益及偏置参数对网络信息进行在线排序。

上述网络信息资源在线排序方法和装置，通过网络信息的预估曝光量和实际曝光量得到预估误差比例，根据预估误差比例矫正人群预估数量，再根据人群预估数量得到网络信息的曝光概率，根据期望收益分布概率密度、曝光概率得到网络信息的偏置参数，根据期望收益和偏置参数对网络信息进行在线排序，因对人群预估数量进行矫正，提高了人群预估数量的准确性，进而计算得到的网络信息的曝光概率、偏置参数更加准确，再根据期望收益和偏置参数对网络信息进行排序，最大化网络信息的曝光效果，提高资源分配的准确性，每条网络信息的曝光都考虑网络信息的预估点击率，网络信息都选择***中点击率最高的用户，提高了网络信息的整体点击率。

附图说明

图1为一个实施例中运行网络信息资源在线排序方法和装置的服务器的内部结构示意图；

图2为网络信息资源分配的框架示意图；

图3为一个实施例中网络信息资源在线排序方法的流程示意图；

图4为相邻两个时刻矫正的示意图；

图5为网络信息分配比例的示意图；

图6为ECPM分布示意图；

图7为一个实施例中网络信息资源在线排序装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为一个实施例中运行网络信息资源在线排序方法和装置的服务器的内部结构示意图。如图1所示，该服务器包括通过***总线连接的处理器、存储介质、内存和网络接口。其中，该服务器的存储介质存储有操作***、数据库和网络信息资源在线排序装置，数据库中存储有网络信息资源，该网络信息资源在线排序装置用于实现适用于服务器的一种网络信息资源在线排序方法。该服务器的处理器用于提供计算和控制能力，支撑整个服务器的运行。该服务器的内存为存储介质中的网络信息资源在线排序装置的运行提供环境。该服务器的网络接口用于据以与外部的终端通过网络连接通信，比如接收终端发送的展示请求以及向终端返回网络信息资源等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

图2为网络信息资源分配的框架示意图。如图2所示，网络信息资源的分配框架包括离线和在线两个阶段。离线阶段包括booking模块(订单模块)和allocation模块(分配模块)，订单模块直接根据网络信息投放端对接，用来做库存预估和费用预估，并最终形成合约订单。其中，合约订单中包括用户要购买网络信息的定向类型(如年龄20至25岁，男性)、购买的曝光数量(如一天100万次)、购买的位置(浏览器端)等网络信息资源投放需要的必要信息。分配模块根据网络信息主购买的曝光量和预估的人群数量做流量分配，离线计算分配方案。分配模块的分配引擎将合约订单、网络信息的预估曝光量和实时曝光量输入到分配方案产生器，定期计算，输出网络信息的偏置参数和统计CPC(Cost Per Click，单次点击费用)，作为网络信息的分配方案，推送到在线的网络信息资源播放的网络信息服务器。网络信息服务器的Serve(服务模块)加载网络信息的偏置参数和统计CPC，根据网络信息的预估点击率与统计CPC的乘积和偏置参数作为网络信息的排序因子对网络信息进行排序，从而根据排序结果展示网络信息。

网络信息是一种线下签订合约，网络信息主购买特定时间段、特定人群、特定曝光次数、以每千次展示计费，网络信息平台线上投放的网络信息形式。网络信息可为广告信息、物品信息、新闻信息、活动信息等。广告信息可为网络平台上展示的广告信息等。物品信息可为购物平台上展示的商品信息等。新闻信息可为在搜索引擎搜索到的新闻信息或在新闻信息发布平台上展示的新闻信息等。活动信息可为网络平台上推广的活动信息等，例如征文推广信息、评选推广信息、微电影推广信息等。

偏置参数是用来调整网络信息的曝光。

图3为一个实施例中网络信息资源在线排序方法的流程示意图。图2中的网络信息资源在线排序方法运行于图2中的框架下。如图3所示，一种网络信息资源在线排序方法，包括以下步骤：

步骤302，获取网络信息的预估曝光量和实际曝光量。

在一个实施例中，获取网络信息的预估曝光量的步骤包括：统计定向类型下的预定时间内的历史展示次数；根据该历史展示次数估算网络信息的预估曝光量。

具体地，定向类型是指网络信息中预先设定的定向人群下的分类，例如男1岁、2岁或男1至6岁等。预定时间可根据需要设定，如5天、7天或一个月等。可将预定时间内的历史展示次数作为网络信息的预估曝光量，或者将预定时间内的历史展示次数进行加权平均作为网络信息的预估曝光量等。

步骤304，根据该预估曝光量和实际曝光量得到定向类型下的预估误差比例。

具体地，可按照预定时间间隔计算一次预估误差比例，该预定时间间隔可为5分钟、10分钟等。每次根据网络信息服务器的实时曝光量和预估曝光量以及网络信息的定向类型矫正各个定向类型下预估曝光量的偏差。具体的矫正公式如式(1)：

${\mathrm{\σ}}_{\mathrm{it}}=\frac{{\mathrm{\Σ}}_j{u}_j}{{\mathrm{\Σ}}_j{d}_j}---\left(1\right)$

式(1)中，u_j表示网络信息j实际曝光量，d_j表示网络信息j在这段时间的预估曝光量，σ_it表示定向类型i在t时刻的曝光偏差，即定向类型下的预估误差比例。

步骤306，根据该定向类型下的预估误差比例矫正预先获取的人群预估数量得到该定向类型下的矫正后的人群预估数量。

在一个实施例中，步骤306包括：通过时间衰减函数对该定向类型下的网络信息的预估误差比例做期望，得到该定向类型下的总预估误差比例；根据该定向类型下的总预估误差比例对预先获取的人群预估数量进行矫正得到该定向类型下的矫正后的人群预估数量。

具体地，σ_i＝E_f(t)[σ_it] (2)

f(t)＝λe^-λt (3)

式(2)(3)中，f(t)为时间衰减函数，此处用指数分布表示，λ取值可根据实际情况确定，表示时间衰减的强度，λ越小表示对历史数据的依赖越大，本实施例中，λ可取值为0.5；t表示距离当前的时间，其取值范围可为0至48，以半小时为一个单位。σ_i表示定向类型i下的总预估误差比例，它由每个时间段内预估误差比例用时间衰减函数做期望得到。

图4为相邻两个时刻矫正的示意图。如图4所示，在T-1时刻，将合约订单和预估曝光量输入到分配引擎后得到分配方案，在线网络信息服务器根据分配方案进行分配后，再得到实际曝光量，将实际曝光量输入T时刻的分配引擎，对T时刻的曝光量偏差进行矫正，依次类推。

根据计算出来的总预估误差比例σ_i对预先获取的人群预估数量进行矫正，矫正公式如式(4)：

${\mathrm{Supply}}_i^{*}={\mathrm{Supply}}_i\·{\mathrm{\σ}}_i---\left(4\right)$

式(4)中，Supply_i表示预先获取的人群预估数量，表示矫正后的人群预估数量。

步骤308，根据该矫正后的人群预估数量计算该定向类型下的网络信息的曝光概率。

在一个实施例中，步骤308包括：获取满足网络信息的定向人群预估数量；根据满足的定向人群预估数量确定网络信息的优先级；按照优先级从高到低依次计算该定向类型下的网络信息的曝光概率。

例如，第一个网络信息满足的人数是100W(万人)+80W，共180W人；第二个网络信息满足的人数是80W+120W，共200W人。则第一个网络信息的优先级高于第二个网络信息的优先级。

确定各条网络信息的优先级后，按照优先级从高到低依次计算每个网络信息的分配比例，即曝光概率。如计算第一个网络信息的分配比例为150/(100+80)＝0.833；计算第二个网络信息的分配比例时，先把分配给第一个网络信息的人群数量去掉，第一个定向人群分配后剩余100*(1-0.833)＝16.7W，第二个定向人群剩余80*(1-0.833)＝13.36W，第二个网络信息的分配比例为0.167+(80-13.36-0.167*120)/120＝0.5553。

图5为网络信息分配比例的示意图。如图5所示，第一个网络信息预估人群数量为150W，第二个网络信息预估人群数量为80W，第一个定向人群数量为100W，第二个定向人群数量为80W，第三个定向人群数量为120W，满足第一个网络信息的人群数量是第一个定向人群和第二个定向人群，共180W，满足第二个网络信息的人群数量是第二个定向人群和第三个定向人群，共200W，第一个网络信息的优先级高于第二个网络信息的优先级，第一个网络信息的分配比例计算得到为0.833，第二个网络信息的分配比例为0.5553。

计算网络信息的曝光概率的具体算法如下：

1)对于所有定向类型i，初始化剩余supply r_i＝s_i；

2)对于网络信息j，按照优先级排序，遍历a)和b)；

a)解如下方程(5)得到α_j；

$\underset{i\∈\mathrm{\Γ}\left(j\right)}{\mathrm{\Σ}}\min \{r_i,s_i,{\mathrm{\α}}_j\}=d_j---\left(5\right)$

若无法解，则设α_j＝1。

b)对于所有i∈Γ(j)，更新r_i＝r_i-min{r_i,s_iα_j}。

因r_i表示剩余的人群可曝光量，每次为一个网络信息分配了曝光量后，这个剩余的可曝光量会减少，所以每次迭代更新r_i。

此外，也可以直接使用线上反馈的实际曝光量对网络信息的预估曝光量进行调整，当实际曝光量大于预估曝光量时，减小对应网络信息的曝光概率，反之增大曝光概率。

步骤310，获取该定向类型下的网络信息曝光的期望收益及期望收益分布概率密度。

在一个实施例中，步骤310包括：获取网络信息的统计单次点击费用及各次曝光的网络信息的预估点击率；计算该单次点击费用与预估点击率的乘积得到网络信息每次曝光的期望收益；根据网络信息每次曝光的期望收益进行统计，得到网络信息的期望收益分布概率密度。

具体地，在每条网络信息刚开始上线时，直接使用网络信息的曝光概率做线上选择，按照网络信息的曝光概率进行排序曝光。

当累计预定数量的曝光次数和点击次数后，计算网络信息的统计CPC(单次点击费用)，用stat_cpc表示，其中：

stat_cpc＝cost/click (6)

式(6)中，cost表示该网络信息预设时间内的费用，click表示预设时间的点击数量。预定数量的曝光次数可选择为10000次，点击次数可为100次。

计算每次网络信息曝光的ECPM(Expect Cost Per Thousand Impressions，1000次网络信息展示期望的收益)，计算公式如式(7)。

ECPM＝stat_cpc*pCtr (7)

其中，pCtr表示当次曝光的网络信息的预估点击率。

将各条网络信息每次曝光的期望收益进行统计，得到各条网络信息的期望收益分布概率密度f_contract(Ecpm)。

步骤312，根据该定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取该定向类型下的网络信息的偏置参数。

在一个实施例中，步骤312包括：统计该定向类型下的非约定的网络信息的期望收益分布概率密度；根据该定向类型下的网络信息的曝光概率、非约定的网络信息的期望收益分布概率密度以及各条网络信息的期望收益分布概率密度通过累计概率函数计算得到该定向类型下的网络信息的偏置参数。

具体地，统计定向类型下非约定网络信息的期望收益分布概率密度f_non-contract(Ecpm)，通过日志统计获得，比如ECPM在【0元，0.1元】的曝光次数，ECPM在【0.1元，0.2元】的曝光次数等。非约定的网络信息是指除了合约之外的网络信息。

通过累计概率函数F求取网络信息的偏置参数bias，计算公式如式(8)。

F(Ecpm_contract+Ecpm_non-contract+bias)＝α (8)

式(8)中，α表示网络信息曝光概率。

在一个实施例中，统计该定向类型下的非约定的网络信息的期望收益分布概率密度的步骤包括：从日志中统计该定向类型下的非约定的网络信息的期望收益分布概率密度。

步骤314，按照期望收益及偏置参数对网络信息进行在线排序。

将期望收益及偏置参数作为排序因子，对网络信息进行排序。

图6为ECPM分布示意图。如图6所示，通过bias平移网络信息的ECPM分布使得在排序中网络信息的自然竞争中的曝光概率是α，达到保量的目的。61为整体ECPM分布，62为网络信息的ECPM分布，63为网络信息调整后的ECPM分布。

上述网络信息资源在线排序方法，通过网络信息的预估曝光量和实际曝光量得到预估误差比例，根据预估误差比例矫正人群预估数量，再根据人群预估数量得到网络信息的曝光概率，根据期望收益分布概率密度、曝光概率得到网络信息的偏置参数，根据期望收益和偏置参数对网络信息进行在线排序，因对人群预估数量进行矫正，提高了人群预估数量的准确性，进而计算得到的网络信息的曝光概率、偏置参数更加准确，再根据期望收益和偏置参数对网络信息进行排序，最大化网络信息的曝光效果，每条网络信息的曝光都考虑网络信息的预估点击率，网络信息都选择***中点击率最高的用户，提高了网络信息的整体点击率。

此外，采用定向类型，实现了对用户的精细区分，将网络信息分配从概率选择改进为竞争选择，最大化用户价值，提升整体的播放效果。

为了进一步说明网络信息资源在线排序方法，以网络信息资源在线排序方法应用于广告信息在线排序为例进行详细的描述。网络信息资源在线排序方法对广告信息进行在线排序的过程包括：

(1)获取广告信息的预估曝光量和实际曝光量。

(2)根据该预估曝光量和实际曝光量得到定向类型下的预估误差比例。

(3)通过时间衰减函数对该定向类型下的广告信息的预估误差比例做期望，得到该定向类型下的总预估误差比例。

(3)根据该定向类型下的总预估误差比例矫正预先获取的人群预估数量得到该定向类型下的矫正后的人群预估数量。

(4)根据该矫正后的人群预估数量计算该定向类型下的广告信息的曝光概率。

具体地，获取满足广告信息的定向人群预估数量；根据满足的定向人群预估数量确定广告信息的优先级；按照优先级从高到低依次计算该定向类型下的广告信息的曝光概率。

(5)获取该定向类型下的广告信息曝光的期望收益及期望收益分布概率密度

具体地，获取广告信息的统计单次点击费用及各次曝光的广告信息的预估点击率；计算该单次点击费用与预估点击率的乘积得到广告信息每次曝光的期望收益；根据广告信息每次曝光的期望收益进行统计，得到广告信息的期望收益分布概率密度。

(6)统计该定向类型下的非合约广告信息的期望收益分布概率密度。

具体地，非合约广告信息是指除了签订合约之外的广告信息。

(7)根据该定向类型下的广告信息的曝光概率、非约定的广告信息的期望收益分布概率密度以及各条广告信息的期望收益分布概率密度通过累计概率函数计算得到该定向类型下的广告信息的偏置参数。

(8)按照期望收益及偏置参数对广告信息进行在线排序。

此处以网络信息资源在线排序方法应用于广告信息排序进行了描述，其也可应用于物品信息、新闻信息、活动信息等的在线排序，其处理过程相同，在此不再赘述。

图7为一个实施例中网络信息资源在线排序装置的结构示意图。如图7所示，一种网络信息资源在线排序装置，包括曝光量获取模块710、预估误差比例获取模块720、矫正模块730、曝光概率计算模块740、期望收益获取模块750、偏置参数获取模块760和排序模块770。其中：

曝光量获取模块710用于获取网络信息的预估曝光量和实际曝光量。

本实施例中，曝光量获取模块710还用于统计定向类型下的预定时间内的历史展示次数，以及根据该历史展示次数估算网络信息的预估曝光量。

具体地，定向类型是指网络信息中预先设定的定向人群下的分类，例如男1岁、2岁或男1至6岁等。预定时间可根据需要设定，如5天、7天或一个月等。可将预定时间内的历史展示次数作为网络信息的预估曝光量，或者将预定时间内的历史展示次数进行加权平均作为网络信息的预估曝光量等。

预估误差比例获取模块720用于根据该预估曝光量和实际曝光量得到定向类型下的预估误差比例。

具体地，可按照预定时间间隔计算一次预估误差比例，该预定时间间隔可为5分钟、10分钟等。每次根据网络信息服务器的实时曝光量和预估曝光量以及网络信息的定向类型矫正各个定向类型下预估曝光量的偏差。具体的矫正公式如式(1)：

${\mathrm{\σ}}_{\mathrm{it}}=\frac{{\mathrm{\Σ}}_j{u}_j}{{\mathrm{\Σ}}_j{d}_j}---\left(1\right)$

式(1)中，u_j表示网络信息j实际曝光量，d_j表示网络信息j在这段时间的预估曝光量，σ_it表示定向类型i在t时刻的曝光偏差，即定向类型下的预估误差比例。

矫正模块730用于根据该定向类型下的预估误差比例矫正预先获取的人群预估数量得到该定向类型下的矫正后的人群预估数量。

本实施例中，矫正模块730还用于通过时间衰减函数对该定向类型下的各条网络信息的预估误差比例做期望，得到该定向类型下的总预估误差比例；根据该定向类型下的总预估误差比例对预先获取的人群预估数量进行矫正得到该定向类型下的矫正后的人群预估数量。

具体地，σ_i＝E_f(t)[σ_it] (2)

f(t)＝λe^-λt (3)

式(2)(3)中，f(t)为时间衰减函数，此处用指数分布表示，λ取值可根据实际情况确定，表示时间衰减的强度，λ越小表示对历史数据的依赖越大，本实施例中，λ可取值为0.5；t表示距离当前的时间，其取值范围可为0至48，以半小时为一个单位。σ_i表示定向类型i下的总预估误差比例，它由每个时间段内预估误差比例用时间衰减函数做期望得到。

根据计算出来的总预估误差比例σ_i对预先获取的人群预估数量进行矫正，矫正公式如式(4)：

${\mathrm{Supply}}_i^{*}={\mathrm{Supply}}_i\·{\mathrm{\σ}}_i---\left(4\right)$

式(4)中，Supply_i表示预先获取的人群预估数量，表示矫正后的人群预估数量。

曝光概率计算模块740用于根据该矫正后的人群预估数量计算该定向类型下的网络信息的曝光概率。

本实施例中，曝光概率计算模块740还用于获取满足网络信息的定向人群预估数量；根据满足的定向人群预估数量确定网络信息的优先级；按照优先级从高到低依次计算该定向类型下的网络信息的曝光概率。

例如，第一个网络信息满足的人数是100W(万人)+80W，共180W人；第二个网络信息满足的人数是80W+120W，共200W人。则第一个网络信息的优先级高于第二个网络信息的优先级。

计算网络信息的曝光概率的具体过程如下：

1)对于所有定向类型i，初始化剩余supply r_i＝s_i；

2)对于网络信息j，按照优先级排序，遍历a)和b)；

a)解如下方程(5)得到α_j；

$\underset{i\∈\mathrm{\Γ}\left(j\right)}{\mathrm{\Σ}}\min \{r_i,s_i,{\mathrm{\α}}_j\}=d_j---\left(5\right)$

若无法解，则设α_j＝1。

b)对于所有i∈Γ(j)，更新r_i＝r_i-min{r_i,s_iα_j}。

因r_i表示剩余的人群可曝光量，每次为一个网络信息分配了曝光量后，这个剩余的可曝光量会减少，所以每次迭代更新r_i。

期望收益获取模块750用于获取该定向类型下的网络信息曝光的期望收益分布概率密度。

本实施例中，期望收益获取模块750还用于获取网络信息的统计单次点击费用及各次曝光的网络信息的预估点击率；计算该单次点击费用与预估点击率的乘积得到网络信息每次曝光的期望收益；根据网络信息每次曝光的期望收益进行统计，得到网络信息的期望收益分布概率密度。

具体地，在每条网络信息刚开始上线时，直接使用网络信息的曝光概率做线上选择，按照网络信息的曝光概率进行排序曝光。

当累计预定数量的曝光次数和点击次数后，计算网络信息的统计CPC(单次点击费用)，用stat_cpc表示，其中：

stat_cpc＝cost/click (6)

式(6)中，cost表示该网络信息预设时间内的费用，click表示预设时间的点击数量。预定数量的曝光次数可选择为10000次，点击次数可为100次。

计算每次网络信息曝光的ECPM(Expect Cost Per Thousand Impressions，1000次网络信息展示期望的收益)，计算公式如式(7)。

ECPM＝stat_cpc*pCtr (7)

其中，pCtr表示当次曝光的网络信息的预估点击率。

将各条网络信息每次曝光的期望收益进行统计，得到各条网络信息的期望收益分布概率密度f_contract(Ecpm)。

偏置参数获取模块760用于根据该定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取该定向类型下的网络信息的偏置参数。

本实施例中，偏置参数获取模块760还用于统计该定向类型下的非约定的网络信息的期望收益分布概率密度；根据该定向类型下的网络信息的曝光概率、非约定的网络信息的期望收益分布概率密度以及网络信息的期望收益分布概率密度通过累计概率函数计算得到该定向类型下的网络信息的偏置参数。

具体地，统计定向类型下非约定的网络信息的期望收益分布概率密度f_non-contract(Ecpm)，通过日志统计获得，比如ECPM在【0元，0.1元】的曝光次数，ECPM在【0.1元，0.2元】的曝光次数等。

通过累计概率函数F求取网络信息的偏置参数bias，计算公式如式(8)。

F(Ecpm_contract+Ecpm_non-contract+bias)＝α (8)

式(8)中，α表示网络信息曝光概率。

排序模块770用于按照该期望收益及偏置参数对网络信息进行在线排序。

具体地，将期望收益及偏置参数作为排序因子，对网络信息进行排序。

上述网络信息资源在线排序装置，通过网络信息的预估曝光量和实际曝光量得到预估误差比例，根据预估误差比例矫正人群预估数量，再根据人群预估数量得到网络信息的曝光概率，根据期望收益分布概率密度、曝光概率得到网络信息的偏置参数，根据期望收益和偏置参数对网络信息进行在线排序，因对人群预估数量进行矫正，提高了人群预估数量的准确性，进而计算得到的网络信息的曝光概率、偏置参数更加准确，再根据期望收益和偏置参数对网络信息进行排序，最大化网络信息的曝光效果，每条网络信息的曝光都考虑网络信息的预估点击率，网络信息都选择***中点击率最高的用户，提高了网络信息的整体点击率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (16)

1.一种网络信息资源在线排序方法，包括以下步骤：

获取网络信息的预估曝光量和实际曝光量；

根据所述预估曝光量和实际曝光量得到定向类型下的预估误差比例；

根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量；

根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率；

获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度；

根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的网络信息的偏置参数；

按照所述期望收益及偏置参数对网络信息进行在线排序。

2.根据权利要求1所述的方法，其特征在于，所述根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量的步骤包括：

通过时间衰减函数对所述定向类型下的网络信息的预估误差比例做期望，得到所述定向类型下的总预估误差比例；

根据所述定向类型下的总预估误差比例对预先获取的人群预估数量进行矫正得到所述定向类型下的矫正后的人群预估数量。

3.根据权利要求1所述的方法，其特征在于，根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率的步骤包括：

获取满足网络信息的定向人群预估数量；

根据满足的定向人群预估数量确定网络信息的优先级；

按照优先级从高到低依次计算所述定向类型下的网络信息的曝光概率。

4.根据权利要求1所述的方法，其特征在于，所述获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度的步骤包括：

获取网络信息的统计单次点击费用及各次曝光的网络信息的预估点击率；

计算所述单次点击费用与预估点击率的乘积得到网络信息每次曝光的期望收益；

根据网络信息每次曝光的期望收益进行统计，得到网络信息的期望收益分布概率密度。

5.根据权利要求4所述的方法，其特征在于，所述根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的网络信息的偏置参数的步骤包括：

统计所述定向类型下的非约定的网络信息的期望收益分布概率密度；

根据所述定向类型下的网络信息的曝光概率、非约定的网络信息的期望收益分布概率密度以及网络信息的期望收益分布概率密度通过累计概率函数计算得到所述定向类型下的网络信息的偏置参数。

6.根据权利要求5所述的方法，其特征在于，所述统计所述定向类型下的非约定的网络信息的期望收益分布概率密度的步骤包括：

从日志中统计所述定向类型下的非约定的网络信息的期望收益分布概率密度。

7.根据权利要求1所述的方法，其特征在于，所述获取网络信息的预估曝光量的步骤包括：

统计定向类型下的预定时间内的历史展示次数；

根据所述历史展示次数估算网络信息的预估曝光量。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述网络信息为广告信息或物品信息或新闻信息。

9.一种网络信息资源在线排序装置，其特征在于，包括：

曝光量获取模块，用于获取网络信息的预估曝光量和实际曝光量；

预估误差比例获取模块，用于根据所述预估曝光量和实际曝光量得到定向类型下的预估误差比例；

矫正模块，用于根据所述定向类型下的预估误差比例矫正预先获取的人群预估数量得到所述定向类型下的矫正后的人群预估数量；

曝光概率计算模块，用于根据所述矫正后的人群预估数量计算所述定向类型下的网络信息的曝光概率；

期望收益获取模块，用于获取所述定向类型下的网络信息曝光的期望收益及期望收益分布概率密度；

偏置参数获取模块，用于根据所述定向类型下的网络信息的曝光概率及对应的期望收益分布概率密度获取所述定向类型下的网络信息的偏置参数；

排序模块，用于按照所述期望收益及偏置参数对网络信息进行在线排序。

10.根据权利要求9所述的装置，其特征在于，所述矫正模块还用于通过时间衰减函数对所述定向类型下的网络信息的预估误差比例做期望，得到所述定向类型下的总预估误差比例，以及根据所述定向类型下的总预估误差比例对预先获取的人群预估数量进行矫正得到所述定向类型下的矫正后的人群预估数量。

11.根据权利要求9所述的装置，其特征在于，所述曝光概率计算模块还用于获取满足网络信息的定向人群预估数量，根据满足的定向人群预估数量确定网络信息的优先级，以及按照优先级从高到低依次计算所述定向类型下的网络信息的曝光概率。

12.根据权利要求9所述的装置，其特征在于，所述期望收益获取模块还用于获取网络信息的统计单次点击费用及各次曝光的网络信息的预估点击率，计算所述单次点击费用与预估点击率的乘积得到网络信息每次曝光的期望收益，以及根据网络信息每次曝光的期望收益进行统计，得到网络信息的期望收益分布概率密度。

13.根据权利要求12所述的装置，其特征在于，所述偏置参数获取模块还用于统计所述定向类型下的非约定的网络信息的期望收益分布概率密度，以及根据所述定向类型下的网络信息的曝光概率、非约定的网络信息的期望收益分布概率密度以及网络信息的期望收益分布概率密度通过累计概率函数计算得到所述定向类型下的网络信息的偏置参数。

14.根据权利要求13所述的装置，其特征在于，所述偏置参数获取模块还用于从日志中统计所述定向类型下的非约定的网络信息的期望收益分布概率密度。

15.根据权利要求9所述的装置，其特征在于，所述曝光量获取模块还用于统计定向类型下的预定时间内的历史展示次数，以及根据所述历史展示次数估算网络信息的预估曝光量。

16.根据权利要求9至15中任一项所述的装置，其特征在于，所述网络信息为广告信息或物品信息或新闻信息。