[发明专利]基于激励视频广告的RTB实时竞价方法

权利要求书

1.一种基于激励视频广告的RTB实时竞价方法，其特征在于，包括：

输入媒体广告的流量请求信息数据；

对输入的流量请求信息数据进行流量反作弊处理；

依据媒体广告位要求以及用户属性特征匹配广告活动；

计算每次广告展示的竞价估值并排序，得到最优竞价估值；

根据最优竞价估值以及历史竞价数据实时调整竞价，获得满足市场动态需求的最优出价；

输出最优出价对应的广告活动及竞价信息组；

其中，对输入的流量请求信息数据进行流量反作弊处理包括：

对广告详情、渠道详情和用户点击安装日志进行特征提取；

根据流量反作弊的算法规则判断提取的特征数据是否为作弊流量；

若判断为作弊流量，将作弊流量的异常数据进行流量过滤，通过自动纠错返回正常数据。

2.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述流量请求信息数据包括：媒体信息、用户ID、广告活动集、DMP系统信息、广告位信息、用户属性信息、广告主发布的活动信息及竞价策略以及竞价历史信息；

其中，用户ID为用户唯一标识；

DMP(Data Management Platform)，为数据管理平台。

3.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述对输入的流量请求信息数据进行流量反作弊处理，即利用用户识别、IP或IP段识别、媒体识别和流量渠道识别，分析广告的访问频次、转化情况以及用户行为，对不符合规律的异常数据进行自动纠错或人工纠错。

4.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，采用相对熵比较算法和差异衡量算法判断计算的特征数据是否为作弊流量，其计算公式为：

相对熵比较算法:

差异衡量算法:

式中，p_i为真实流量概率分布，q_i为作弊流量概率分布；

n为流量特征样本的个数；

i为第几个特征样本；

p(x)为真实流量概率分布；

q(x)为作弊流量概率分布。

5.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述匹配广告活动的方法包括：

输入流量请求中的媒体信息、用户ID和广告活动集；

根据媒体信息匹配广告活动，初步筛选出与媒体信息相匹配的广告活动；

依据从DMP系统中获取的用户特征信息匹配广告活动；

输出与用户属性特征相匹配的广告活动。

6.根据权利要求1所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，采用CTR预测方法计算每次广告展示的竞价估值，具体方法如下：

从历史数据和离线特征库中获取CTR预估训练样本，经训练得到CTR预估模型；

利用CTR预估模型对每次广告的点击率做出预测；

在给定广告展示水平和需求数据的情况下，利用预测的点击率计算每次广告展示的预期成本，得到每次广告展示的竞价估值；

将每次广告展示的竞价估值进行排序，得到最优竞价估值；

其中，CTR(Click-Through-Rate)为点击率。

7.根据权利要求6所述的一种基于激励视频广告的RTB实时竞价方法，其特征在于，所述广告活动的投放类型包括CPC广告和CPM广告，如果投放类型是CPM广告，将CPM广告转化为CPC广告进行竞价估值，转换公式为：

A_CPM＝A_CPC*CTR*1000；

式中，A_CPM表示CPM广告的竞价估值，A_CPC表示CPC广告的竞价估值；

其中，CPM为千人成本；

CPC(Cost Per Click)为每次点击的费用。