平码五不中公式规律
  • / 19
  • 下载费用:30 金币  

一种投放信息搜索的方法和装置.pdf

关 键 词:
一种 投放 信息 搜索 方法 装置
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201210593825.X

申请日:

2012.12.31

公开号:

CN103914468A

公开日:

2014.07.09

当前法律状态:

授权

有效性:

有权

法?#19978;?#24773;: 授权|||实质审查的生效IPC(主分类):G06F 17/30申请日:20121231|||公开
IPC分类号: G06F17/30 主分类号: G06F17/30
申请人: 阿里巴巴集团控股有限公司
发明人: 孙尧
地址: 英属开曼群岛大开曼资本大厦一座四层847号邮箱
优先权:
专利代理机构: ?#26412;?#28070;泽恒知识产权代理有限公司 11319 代理人: 赵娟
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201210593825.X

授权公告号:

||||||

法律状态公告日:

2018.01.09|||2014.08.06|||2014.07.09

法律状态类型:

授权|||实质审查的生效|||公开

摘要

本申请提供了一种投放信息搜索的方法和装置,其中,所述的方法包括:获取流量来源的信息,所述流量来源的信息中包括搜索条件;依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;分别计算所述匹配的投放信息的属性参数;按照所述属性参数,?#36816;?#36848;匹配的投放信息进?#20449;?#24207;;返回排序靠前的至少一个投放信息。本申请用以节约网络资源,优化资源配置,并进一步实现外部流量收益的最大化,从而提高投放信息的最大产出,提高投放平台的收益。

权利要求书

权利要求书
1.  一种投放信息搜索的方法,其特征在于,包括:
获取流量来源的信息,所述流量来源的信息中包括搜索条件;
依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
分别计算所述匹配的投放信息的属性参数;
按照所述属性参数,?#36816;?#36848;匹配的投放信息进?#20449;?#24207;;
返回排序靠前的至少一个投放信息。

2.  根据权利要求1所述的方法,其特征在于,所述投放数据库中还包括投放反馈数据,所述投放反馈数据为从各个流量来源收集投放操作信息后经过计算得到。

3.  根据权利要求2所述的方法,其特征在于,所述分别计算匹配的投放信息的属性参数的步骤包括:
建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数。

4.  根据权利要求3所述的方法,其特征在于,所述流量来源的信息中包括用户信息以及流量信息;所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率,具体采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放反馈数据;
所述建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率,采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
所述依据每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数,采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每个投放信息的属性参数;
ECPM为固定频?#25910;?#31034;获得的投放收入;
bid为投放信息的点击出价;
ad CVR为当前投放信息的转化率;
benchmark CVR为作为参照物的流量的转化率。

5.  根据权利要求1-4任一权利要求所述的方法,其特征在于,所述流量来源包括外部流量来源。

6.  根据权利要求1-4任一权利要求所述的方法,其特征在于,在对投放信息进?#20449;?#24207;时,依据流量来源的不同,所述投放信息在流量来源对应的投放数据库中的排序也不同。

7.  一种投放信息搜索的装置,其特征在于,包括:
信息获取模块,用于获取流量来源的信息,所述流量来源的信息中包括搜索条件;
投放数据库组织模块,用于依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
匹配模块,用于分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
属性参数计算模块,用于分别计算所述匹配的投放信息的属性参数;
排序模块,用于按照所述属性参数?#36816;?#36848;匹配的投放信息进?#20449;?#24207;并;
返回模块,用于返回排序靠前的至少一个投放信息。

8.  根据权利要求7所述的装置,其特征在于,所述投放数据库中还包括投放反馈数据,所述投放反馈数据为从各个流量来源收集投放操作信息后经过计算得到。

9.  根据权利要求8所述的装置,其特征在于,所述属性参数计算模块包括:
点击模型建立子模块,用于建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
成交模型建立子模块,用于建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
属性参数计算子模块,用于依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数。

10.  根据权利要求9所述的装置,其特征在于,所述流量来源的信息中包括用户信息,以及流量信息,所述建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率,采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放反馈数据;
所述建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率,采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
所述依据每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数,采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每个投放信息的属性参数;
ECPM为固定频?#25910;?#31034;获得的投放收入;
bid为投放信息的点击出价;
ad CVR为当前投放信息的转化率;
benchmark CVR为作为参照物的流量的转化率。

说明书

说明书一种投放信息搜索的方法和装置
技术领域
本申请涉及网络信息处理的技术领域,特别是涉及一种投放信息搜索的方法,以及,一种投放信息搜索的装置。
背景技术
随着我国电子商务的快速发展,需要投放的网络信息量投放的规模也变得越来越大。为提高投放效率以及网站的流量收益,通常会对网络信息投放的投放策略进行优化信息投放者投放。
通常会使用流量来描述访问一个网站的用户数量以及用户所浏览的页面数量等指标。对于电商网站来说,通常会采用各种各样的方法从外部引流进入网站,这种流量叫做外部流量。由于外部流量整体而言,转化不如站内流量(直接通过输入网站url,或者点击收藏链接,等方式直接链接到网站的流量叫站内流量),为了评估投放效率,优化资源配置,通常会对不同来源的流量进行折算。常用的折算办法为:根据流量质量,计算打算系数,依据折算系数,对每个点击价格进行折扣,然后向信息投放者收的钱是经过折扣的点击价格,那么投放平台收到的单位流量投放费也是经过折扣的RPM(reveue per thousand impressions,千次搜索产生的收益)。
对于搜索引擎的投放平台来说,收益越高越好,收益的可持续性越高越好。因此,对于每个在搜索引擎的投放平台中输入的查询,投放平台会预测出所有投放的点击率(代表投放质量),并且用ECPM(Expected-Cost-Per-thousandiMpressions,千次展现预期收益)=点击率*出价*1000来将投放进行从高到低的排序,优?#26085;?#29616;可能给它带来收益最高的投放。从ECPM的计算公式可以看出,ECPM的排序与点击率和出价相关,对于站内流量来说,因为使用点击收费,所以采用ECPM来排序可以最大化单位流量的点击收益。但是,经过研究发现,投放产品的点击率和成交转化率不是完全成正比的,因此,对于外部流量用ECPM 排序时,不能够最大化折后点击收益,容易导致网络资源的浪费,并且不利用优化资源配置。
因此,本领域技术人员迫切需要解决的问题是:提供一种电商网站投放信息搜索的机制,以节约网络资源,优化资源配置,并进一步以实现外部流量收益的最大化,从而提高投放信息的最大产出,提高投放平台的收益。
发明内容
本申请所要解决的技术问题是,提供一种投放信息搜索的方法,用以节约网络资源,优化资源配置,并进一步实现外部流量收益的最大化,从而提高投放信息的最大产出,提高投放平台的收益。
相应的,本申请?#22266;?#20379;了一种投放信息搜索的装置,用以保证上述方法在实际中的应用。
为?#31169;?#20915;上述问题,本申请公开了一种投放信息搜索的方法,包括:
获取流量来源的信息,所述流量来源的信息中包括搜索条件;
依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
分别计算所述匹配的投放信息的属性参数;
按照所述属性参数,?#36816;?#36848;匹配的投放信息进?#20449;?#24207;;
返回排序靠前的至少一个投放信息。
优选地,所述投放数据库中还包括投放反馈数据,所述投放反馈数据为从各个流量来源收集投放操作信息后经过计算得到。
优选地,所述分别计算匹配的投放信息的属性参数的步骤包括:
建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数。
优选地,所述流量来源的信息中包括用户信息以及流量信息;所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率,具体采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放反馈数据;
所述建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率,采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
所述依据每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数,采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每个投放信息的属性参数;
ECPM为固定频?#25910;?#31034;获得的投放收入;
bid为投放信息的点击出价;
ad CVR为当前投放信息的转化率;
benchmark CVR为作为参照物的流量的转化率。
优选地,所述流量来源包括外部流量来源。
优选地,在对投放信息进?#20449;?#24207;时,依据流量来源的不同,所述投放信息在流量来源对应的投放数据库中的排序也不同。
本申请实施例还公开了一种投放信息搜索的装置,包括:
信息获取模块,用于获取流量来源的信息,所述流量来源的信息中包括搜索条件;
投放数据库组织模块,用于依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
匹配模块,用于分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
属性参数计算模块,用于分别计算所述匹配的投放信息的属性参数;
排序模块,用于按照所述属性参数?#36816;?#36848;匹配的投放信息进?#20449;?#24207;并;
返回模块,用于返回排序靠前的至少一个投放信息。
优选地,所述投放数据库中还包括投放反馈数据,所述投放反馈数据为从各个流量来源收集投放操作信息后经过计算得到。
优选地,所述属性参数计算模块包括:
点击模型建立子模块,用于建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
成交模型建立子模块,用于建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
属性参数计算子模块,用于依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参 数。
优选地,所述流量来源的信息中包括用户信息,以及流量信息,所述建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率,采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放反馈数据;
所述建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率,采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
所述依据每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数,采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每个投放信息的属性参数;
ECPM为固定频?#25910;?#31034;获得的投放收入;
bid为投放信息的点击出价;
ad CVR为当前投放信息的转化率;
benchmark CVR为作为参照物的流量的转化率。
与现有技术相比,本申请具有以下优点:
本申请实施例为每个外部流量来源组织一个与其对应的投放数据库,在所述每个投放数据库中,用成交作为考核因素,对点击进行相应打折,采用属性参数(D_ECPM)进行投放排序,这样在不同流量来源上,即使同一投放信息在与流量来源对应的数据库中的排序是不一样的,这样的做法可以节约网络资源,优化资源配置,产且对信息投放者更加公平,确保了信息投放者的利益,进而实现了整个投放平台的产出最大化和收益最大化。
附图说明
图1是本申请一种投放信息搜索的方法实施例1的步骤流程图;
图2是本申请一种投放信息搜索的方法实施例中一种获取投放信息的属性参数的流程图;
图3是本申请一种投放信息搜索的装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例的核心构思之一在于,在电商网站的投放平台上采用了根据不同外部流量来源组织一个与其对应的投放数据库,用成交作为考核因素,对点击单价进行相应打折获取折后展现预期收益参数,并根据折后展现预期收益参数对外部流量对应的投放进?#20449;?#24207;的方法来平衡信息投放者投入产出的比例,这样可以节约网络资源,优化资源配置,并且在不同的流量上可分别实现更加公平的排序来最大化流量产出,进而实现整个投放平台的产出最大化。
参照图1,其示出了一种投放信息搜索的方法实施例的步骤流程图,具体可以包括以下步骤:
步骤101:获取流量来源的信息,所述流量来源的信息中包括搜索条件;
具体而言,通常可以使用流量来描述访问一个网站的用户数量以及用户所浏览的网页数量等指标,对于电商网站来说,流量来源可以为外部流量来源和站内流量来源。
其中,外部流量是指从电商网站外引进的流量,可以为从论坛、博客、微博、视频网站以及搜索引擎中引进的流量;站内流量是指直接通过输入网站url(Uniform/Universal Resource Locator,统一资源定位符,也称为网页地址),或者点击收藏链接等方式直接链接到网站的流量,例如,当用户直接在电商网站内的搜索引擎搜索关键词时,直接点击搜索得到的搜索结果中任一条链接,所产生的流量就是站内流量。本申请实施例中描述的是针对外部流量来源的排序方法。
在具体实?#31181;校?#27969;量来源的信息可以包括用户输入的搜索条件、用户信息,以及流量信息等中的至少一种。
一般而言,在通用的搜索引擎中,用户输入的搜索条件一般为查询的关键词,但是在电商网站的搜索引擎中,用户输入的搜索条件除了搜索的关键词外,还可以包括用户搜索的类目、搜索的属性等,例如:在电商网站中,各种产品?#25918;啤?#22411;号、款式、价格等也是常见的搜索条件。
用户信息,可以包括用户身份是否为会员身份,用户的年龄、性别、职业、收入范围等信息中的至少一种。
流量信息,可以包括流量的网站类型、用户身份与电商网站会员身份的重合度等信息中的至少一种。
步骤102:依据流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
在具体实?#31181;校?#22806;部流量来源可以有一个或多个,现有的对各个外部流量来源上的搜索条件进行投放信息匹配的方法是,在同一个数据库 中对不同的外部流量来源做一个统一的处理,这使得在所述数据库中每个信息投放者的投放信息在每个流量来源上的排名是固定。例如a和b两位信息投放者对应甲、乙两种流量,如果在甲流量上,a信息投放者经过评估,竞争力超过b信息投放者,则a信息投放者的投放信息排在b信息投放者的投放信息之前。那么当为两个信息投放者引入乙流量时,a信息投放者的投放信息还是排在b信息投放者的投放信息之前,但实际上,很可能在乙流量上,a信息投放者的竞争力是不如b信息投放者的,那么这种大而化之的做法对b信息投放者是不公平的,并且对整个投放平台来说是不公平?#19994;?#25928;的,容易造成网络资源的浪费,无法做到投放平台资源的优化配置和收益最大化。
为了更细致区分不同信息投放者的投放在不同流量来源上投放的投放效果,在本申请实施例中,针对每个流量来源,组织一个与其对应的投放数据库来存储在这个流量上进行投放的投放信息,使各流量来源与其投放数据库一一对应,从而可以分别在不同流量来源上实现更加公平的排序来最大化流量产出,进而实现整个投放平台的产出最大化。
步骤103:分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
具体而言,投放信息可以包括投放的基本信息以及投放的产品信息,投放的基本信息可以包括投放的类目属性文本描述,投放购买的竞价词,投放在竞价词上的出价,投放预算,投放标题,投放?#35745;?#25237;放创意中其他部分(如展现价格,折扣信息,地域信息等)等中的至少一种;投放的产品信息可以包括产品详情页标题、产品类目、产品属性、产品详情页描述、产品处罚信息等中的至少一种。
所述投放信息为信息投放者在投放平台(站内投放平台或站外投放平台)创建投放时生成的创建信息,可?#28304;?#20648;在投放平台基础数据库中,在投放数据库需要时,投放平台基础数据库将投放信息分配给相应的投放数据库,然后在投放数据库中进行搜索条件匹配。当然,所述投放信息?#37096;梢源?#20648;在各个流量来源对应的投放数据库中,若在当前流量来源 上,?#37038;?#21040;某搜索条件时,在所述流量来源对应的投放数据库中检索所述搜索条件,得到与所述搜索条件相匹配的投放信息。
步骤104:分别计算所述匹配的投放信息的属性参数;
在各个流量来源对应的投放数据库中,还存储有从各个流量来源收集而来的投放反馈数据,所述投放反馈数据从各个流量来源收集到的投放操作信息后经过计算得到。所述投放操作信息可以包括商?#26041;?#26399;的展现、点击操作,以及展现、点击操作后续的用户成交操作(例如收藏、购买等)。所述投放操作信息经过统计、算法处理,得到产品详情页跳失率(跳失率显示了用户通过相应入口(投放、关键词、类目等)进入,只访问了一个页面就离开的访问次数占该入口总访问次数的比例,跳失率数值越小代表网站越可能受欢迎客户更愿意访问更多的页面,反之数值越大说明网站越不受欢迎。通过跳失率可以评估该网站的登录页或者Minisite(活动网站)后台的好坏)等投放反馈数据。
所述投放反馈数据分别存储在当前流量来源特有的投放数据库中,投放数据库中的投放信息与投放反馈数据经过整合、算法等二次加工后成为投放引擎可以直?#37038;?#29992;的数据,决定各个流量来源上的投放展现与排序。
参考图2,在本申请的一种优选实施例中,所述投放信息与投放反馈数据的二次加工的步骤是获取匹配的投放信息的属性参数的过程,可以包括如下子步骤:
子步骤S21:建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
一般而言,点击模型是一种解释搜索引擎点击日志的有效手段,并能为搜索引擎带来显著的性能改善。一些经典的点击模型可以包括UBM模型、DBN模型、CCM模型等?#21462;?#20854;中,每个单一模?#25237;?#25552;出了其自身的模?#22270;?#35774;,用于解释用户的搜索和浏览行为,这些模型又各自提出了?#32422;?#26426;器学习算法用于参数估计。事实上,参数估计算法在点击模型准确地解释点击行为的过程中起着非常关键的作用,在相同的模型上使用 不同的参数估计算法可以得到明显不同的结果。
每个投放信息被点击的概率又称为点击率,点击率是指网站页面上某一内容被点击的次数与被显示次数之比,?#20174;?#20102;网页上某一内容的受关注程度,常常用来衡量投放信息的吸引程度。在本申请实施例中,使用点击模型的参数估计算法来预估每个投放信息的点击率。
作为本实施例的一种优选示例,所述子步骤S21可以采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为外部流量信息,包括网站类型、与电商网站会员身份的重合度等;
user_info为流量来源上的用户信息;
ad_feedback为外部流量来源上的投放反馈数据;
在本实例中,通过获取query、Ad_info、refPID_info、user_info、ad_feedback作为输入条件进行建模,以点击历史数据为训?#32442;?#26631;,建立一个点击模型来预测在当前流量来源上,某用户给出某个查询时,每个投放信息可能被点击的概率。点击模型是一个机器学习得到的模型,训练的目标是拟合度最好。
子步骤S22:建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
作为本实施例的一种优选示例,所述子步骤S22可以采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为外部流量信息,包括网站类型、与电商网站会员身份的重合度等;
user_info为流量来源上的用户信息;
ad_feedback为外部流量来源上的投放反馈数据以及站内流量来源上的投放反馈数据;
在具体实?#31181;校?#33719;取query、Ad_info、refPID_info、user_info、ad_feedback作为输入条件进行建模,以成交历史数据为训?#32442;?#26631;,建立一个成交模型来预测在当?#24052;?#37096;流量上,某用户给出某个查询时,每个投放信息可能被点击并?#39029;?#20132;的概率。成交模型是一个机器学习得到的模型,训练的目标是拟合度最好。
实际上,成交的行为可以为交易行为、注册行为、转发行为、收藏行为,成交模型可以根据实际的推广目标来重新训?#32602;?#28385;足这些需求,本申请在此不作限制。
子步骤S23:依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数。
作为本实施例的一种优选示例,所述子步骤S23可以采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每条投放信息的属性参数;
bid为信息投放者的投放点击出价;
ad CVR(advertisement conversion rate,当前投放的成交率),当前投 放的成交率=成交数目/点击数目,其中投放的成交可以是以下几种形态:交易/注册/收藏/转发等各种在投放登陆页面的行为,在本申请实施例中,ad CVR=p;
benchmark CVR为作为参照物的流量的成交率,在实际中,电商网站的投放平台可以取某种优质流量作为参照物(benchmark),由于一般以投放的点击率或成交率来?#20174;?#27969;量质量,而站内流量的转化一般比其他外部流量的转化好,因此可以使用站内流量(投放平台自有流量)的成交?#39318;?#20026;benchmark CVR,当然,benchmark CVR?#37096;?#20197;为其他优质流量的成交率。
传统的投放排序方法通常是使用ECPM(Expected-Cost-Per-thousandiMpressions,千次展现预期收益)进?#20449;?#24207;,ECPM指的是每一千次投放展示可以获得的投放收入,展示的单位可以是网页,投放信息单元,甚至是单个投放信息。实际中,ECPM=投放单价*网页点击率*1000,可以看出,一个网站的投放的可盈利趋势与网站的大小无关,它最终是由平均投放单价和投放的点击率决定的,当投放的质量不佳时,网页的点击率的数值就很小,这时可以通过提升投放单价来提升投放排名,那么对于用户来说,当其看到这样的投放时,体验会不佳,如果这样的低质量投放太密集,会?#29616;?#20260;害用户体验,从而使投放平台的收益的可持续性?#26723;汀?
本申请实施例在ECPM排序的基础上,根据不同流量来源,用成交作为考核因素,计算流量来源打折系数(ad CVR/benchmark CVR)对每个点击价格进行折扣,然后向信息投放者收的钱是经过折扣的点击价格,那么投放平台收到的单位流量投放费也是经过折扣的RPM(reveue perthousand impressions,千次搜索产生的收益)。在具体实?#31181;校?#21487;使用属性参数D_ECPM(Discounted Expected-Cost-Per-thousandiMpressions,折后展现预期收益)来对每个投放进?#20449;?#24207;。
本申请实施例根据外部流量来源的成交能力进行投放信息点击的折扣,然后再排序调整的方法,提升了成交能力强的投放展现,从而提升 了外部流量来源的整体成交能力,成交能力的提升会使得折扣的幅度减少,信息投放者虽然点击成本增加,但是投入产出比是不变的,因为成交会更多,这样投放平台在外部流量上可以形成一个良性的循?#32602;?#20174;而维护了信息投放者的权益,对发布商引来的流量上的搜索消耗进行折扣后再进行分成,不断地提升折后的预期收益。
步骤105:按照所述属性参数?#36816;?#36848;匹配的投放信息进?#20449;?#24207;;
步骤106:返回排序靠前的至少一个投放信息。
一般而言,电商网站对于站内流量与站外流量来源的扣费规则都是一样的,都是采用展示免费,点击扣费的扣费方式,因此,都是采用了ECPM来排序,对于站内流量来说,采用ECPM排序可以最大化单位流量的点击收益,但对于站外流量来说,使用ECPM排序不能最大化折后点击收益。因此在一般情况下,针对外部流量来源时采用D_ECPM排序,按照D_ECPM从高到低进?#20449;?#24207;。
在具体实?#31181;校?#36890;过各个流量来源对应的投放数据库检索所述搜索条件时,依据流量来源的不同,所述投放信息在流量来源对应的投放数据库中的排序也不同。由于每个流量来源对应一个投放数据库,不同流量来源对应的投放数据库是不一样的,不同的投放数据库里即使是同一投放信息的属性参数(D_ECPM)是不同的,因此,对于不同流量来源上的同一投放信息的排序可能会不相同,从而最大化投放的产出。
具体而言,由于每个外部流量来源对应一个投放数据库,对于每个流量来源来说,即使搜索条件、用户信息、投放信息等因素都相同,但是受外部流量信息以及投放反馈数据的影响,每个外部流量来源?#21414;?#20010;投放信息的属性参数D_ECPM是不一样的,因?#35828;?#33268;了在每个流量来源对应的投放数据库中,每个投放信息的排序的不同。因此,为每个外部流量来源组织一个与其对应的投放数据库,对信息投放者来说更显公平,对整个投放平台来说,这种方案可以提高网络资源的利用率,优化网络资源的配置,并且可以高效地实现整个投放平台的产出最大化。
由于下面通过一个例子加?#36816;?#26126;:
在作为benchmark的流量上(平台自有流量):
query=xyz,
user=a,
投放数据库中匹配得到的投放信息为A、B、C、D,
所述投放信息对应的ECPM预估值为10、8、6、4;
则所述投放信息的排序为ABCD;
在外部流量来源1上:
query=xyz,
user=b,
投放数据库中匹配得到的投放信息为A、B、C、D,
所述投放信息对应的D_ECPM预估值为5、8、6、3;
则所述投放信息的排序为BCAD;
在外部流量来源2上:
query=xyz,
user=c,
投放数据库中匹配得到的投放信息为A、B、C、D,
所述投放信息对应的D_ECPM预估值为7、9、1、5;
则所述投放信息的排序为BADC。
当然,上述在平台自有流量以?#24052;?#37096;流量来源1与外部流量来源2上的投放信息排序方式仅仅用作示例,本领域技术人?#22791;?#25454;实?#26159;?#20917;采用方法也是可行的,本申请?#28304;宋?#38656;加以限制。
需要说明的是,对于方法实施例,为了简单描述,?#24335;?#20854;都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人?#24065;?#24212;该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请所必须的。
参照图3,其示出了一种投放信息搜索的装置实施例的结构框图,具 体可以包括以下模块:
信息获取模块301,用于获取流量来源的信息;
其中,所述流量来源的信息中包括搜索条件、用户信息、流量信息?#21462;?
一般而言,在通用的搜索引擎中,用户输入的搜索条件一般为查询的关键词,但是在电商网站的搜索引擎中,用户输入的搜索条件除了查询的关键词外,还可以包括用户查询的类目、查询的属性等,例如:在电商网站中,各种产品?#25918;啤?#22411;号、款式、价格等也是常见的搜索条件。
用户信息,可以包括用户身份是否为会员身份,用户的年龄、性别、职业、收入范围等信息。
流量信息,一般指外部流量信息,可以包括流量的网站类型、用户身份与电商网站会员身份的重合度等信息。
在本申请实施例中,如无其他说明,所述流量来源是指外部流量来源。
投放数据库组织模块302,用于依据所述流量来源的信息组织各流量来源对应的投放数据库,所述投放数据库中包括投放信息;
匹配模块303,用于分别在各投放数据库中搜索与对应流量来源的搜索条件相匹配的投放信息;
属性参数计算模块304,用于分别计算所述匹配的投放信息的属性参数;
在本申请的一种优选实施例中,所述属性参数计算模块304可以包括如下子模块:
点击模型建立子模块,用于建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
作为本实施例的一种优选示例,所述建立点击模型,所述点击模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率,采用如下公式计算:
CTR=f(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
CTR为在当前流量来源上输入某搜索条件时,每个投放信息被点击的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放反馈数据;
成交模型建立子模块,用于建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
作为本实施例的一种优选示例,所述建立成交模型,所述成交模型用于计算在当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率,采用如下公式计算:
p=g(query,Ad_info,refPID_info,user_info,ad_feedback);
其中,
P为当前流量来源上输入某搜索条件时,每个投放信息被点击并?#39029;?#20132;的概率;
query为流量来源上的搜索条件;
Ad_info为流量来源对应的投放信息;
refPID_info为流量信息;
user_info为流量来源上的用户信息;
ad_feedback为投放信息的投放反馈数据,包括外部流量来源的投放反馈数据以及站内流量来源的投放反馈数据;
属性参数计算子模块,用于依据所述每个投放信息被点击的概率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数。
作为本实施例的一种优选示例,所述依据每个投放信息被点击的概 率以及所述每个投放信息被点击并?#39029;?#20132;的概率计算每个投放信息的属性参数,采用如下公式计算:
D_ECPM=ECPM*(ad CVR/benchmark CVR)
=(CTR*bid)*(p/benchmark CVR)
=CTR*bid*p/benchmark CVR;
其中,
D_ECPM为每个投放信息的属性参数;
ECPM为固定频?#25910;?#31034;获得的投放收入;
bid为投放出价;
ad CVR为当前投放的转化率;
benchmark CVR为作为参照物的流量的转化率。
排序模块305,用于按照所述属性参数?#36816;?#36848;匹配的投放信息进?#20449;?#24207;;
返回模块306,用于返回排序靠前的至少一个投放信息。
在具体实?#31181;校?#30001;于不同流量来源对应的投放数据库是不一样的,也就是说,对于不同的流量来源,所使用的投放数据库也不一样,不同的投放数据库里即使是同一投放的属性参数(D_ECPM)是不同的,因此,对于不同流量来源上的同一搜索条件对应的投放信息的排序可能会不相同,从而最大化投放的产出。
需要说明的是,所述投放信息搜索装置存在于电网网站投放平台的服务器中。
由于所述图3的装置实施例基本相应于前述图1方法实施例,故本实施例的描述中未详尽之处,可以参见前述图1实施例中的相关说明,在?#21496;?#19981;赘述了。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全?#24067;?#23454;施例、完全软件实施例、或结合软件和?#24067;?#26041;面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包 括但不限于?#25490;?#23384;储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、?#24230;?#24335;处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令?#37096;?#23384;储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可?#38142;?#20648;器中,使得存储在该计算机可?#38142;?#20648;器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令?#37096;?#35013;载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而?#19968;?#21253;括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。 在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种投放信息搜索的方法,以及,一种投放信息搜索的装置进行了详?#38468;?#32461;,本文中应用?#21496;?#20307;个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

关于本文
本文标题:一种投放信息搜索的方法和装置.pdf
链接地址:http://www.pqiex.tw/p-6115663.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 彩票开奖江苏11选5 2017140双色球预选号码 四川时时彩怎么玩法介绍 重庆彩票时时彩预测软件 斗地主棋牌游戏送现金 一波中特不夸张 维护彩票网站 甘肃11选5最新走势 捕鱼大侠 排列三俩码组三遗漏