[iTechnical Meeting] 11 марта 2020 г. Обсуждение темы «Часто используемые алгоритмы видеорекламы. Обсуждение опыта»
Основная бизнес-модель iQIYI — видеоконтент премиум-класса + платные членские услуги, под которыми подразумевается онлайн-реклама. В качестве веб-сайта видеосервиса, помимо нашего основного приложения, у iQIYI есть много других приложений, таких как iQIYI Sports, Qixiu Live, iQIYI Literature и т. д. Эти приложения также обогащают средства монетизации iQIYI. В финансовом отчете iQIYI за третий квартал 2019 года, помимо членства и рекламы, доля других доходов также высока.В настоящее время онлайн-реклама является вторым по величине источником дохода для iQIYI, а ее доход за второй квартал составляет около 2,1 млрд юаней.
В Китае люди обычно делят рекламу на две категории: реклама бренда и реклама с эффектом.Вообще говоря, реклама бренда в основном характеризуется стремлением привлечь внимание и фокусируется на долгосрочной ценности бренда, в то время как реклама с эффектом больше фокусируется на краткосрочной ценности бренда. конверсия эффекта термина и прямая стимуляция потребительского поведения.
На картинке выше слева реклама знаменитости, которая рекламирует средство по уходу за кожей перед просмотром видео — типичная реклама бренда. Справа показана реклама информационного потока. Лозунги этих рекламных объявлений часто очень индуктивны, побуждая людей щелкнуть, чтобы загрузить, установить и даже заплатить. Эти рекламные объявления, как правило, являются эффективными рекламными объявлениями.
Прежде всего, с точки зрения видеоконтента, реклама брендов, как правило, больше интересует какой-то популярный контент, такой как популярные развлекательные шоу, сериалы и т. д. Этот контент, как правило, охватывает больше пользователей, и рекламодатели брендов часто предоставляют этот контент. относительно высокая премия. Эффективная реклама придает большее значение привлечению пользователей, поэтому для некоторого среднего и длинного контента, такого как крупные онлайн-фильмы и контент пользовательского контента, доля эффективной рекламы может быть выше. С точки зрения рекламного пространства, поскольку реклама бренда фокусируется на сильном показе, реклама бренда будет больше занимать рекламные позиции перед роликом и на открытом экране, и пользователи будут лучше выглядеть и чувствовать себя в этих рекламных позициях; реклама с сильным взаимодействием , такие как информационный поток и карта фокуса, поскольку пользователи часто обновляют и перетаскивают, рейтинг кликов будет относительно высоким, поэтому доля эффективных объявлений будет выше.
Основная цель рекламы бренда заключается в том, что рекламодатели надеются создать имидж бренда в сердцах пользователей. Он в основном имеет следующие характеристики: быстрый контакт с большим количеством пользователей, продвижение имиджа бренда, повышение покупательной способности и прибыли в среднесрочной и долгосрочной перспективе. поля, и исключая совершенно невозможных людей. Вообще говоря, когда видеоплатформа подписывает рекламу бренда с рекламодателем, она согласовывает объем рекламы, поэтому одной из основных целей оптимизации алгоритма рекламы бренда является поддержание объема.
Весь бизнес-процесс рекламы бренда можно условно разделить на два этапа: предварительная продажа и выполнение.Предпродажная подготовка — это также процесс, на котором рекламодатели определяют свои намерения относительно покупки рекламы. Например, бренд сухого молока надеется в течение следующих двух месяцев разместить свою рекламу в рекламном пространстве перед видео, охватывая женщин, которые смотрят каналы матери и ребенка в Пекине, Шанхае, Гуанчжоу и Шэньчжэне. Рекламодатель отправит запрос в iQIYI, и iQIYI сообщит о максимальном доступном инвентаре при целевых условиях, например, 200 000 CPM, после чего рекламодатель определит конечного рекламодателя в соответствии со своим бюджетом и потребностями, а также информацией о продажах. чтобы заказать 100 000 CPM, затем они планируют, размещают заказ, утверждают и, наконец, становятся официальным заказом на рекламный контракт.
Стадия выполнения также является периодом доставки заказа.Эта реклама доставляется с гарантированной минимальной суммой 100 000 CPM на протяжении всего периода доставки. Конечно, для того, чтобы эффект рекламы мог достичь большего числа людей, заранее определенная сумма будет выделена на каждый день двух месяцев, а затем каждый день будет накапливаться сумма незавершенной трансляции в этот день до следующего. день. Когда двухмесячный период доставки закончится, мы произведем окончательный расчет с рекламодателем.
На этих двух этапах алгоритм также предоставляет много базовой сервисной поддержки. Например, на этапе предпродажи мы в основном используем предпродажную платформу для предоставления услуги запроса и фиксации количества.Благодаря алгоритму мы обеспечиваем рациональность заранее определенного количества и цены в соответствии с условиями заказа, во избежание убытков, вызванных нарушением договора между обеими сторонами.
Кроме того, на этапе выполнения мы оптимизируем эффект доставки.Основным является распределение запасов.Во-вторых, в соответствии с потребностями различных рекламодателей, включая некоторые характеристики рекламного места и рекламных продуктов, есть также некоторые другие услуги по оптимизации. Цель состоит в том, чтобы улучшить эффект доставки всей рекламной системы, обеспечивающей интересы рекламодателей и пользователей. Кроме того, есть некоторые основные услуги. Например, служба оценки запасов предоставляет оценки большого количества базовых данных для использования другими службами.
На этой [i Technology Conference] в основном рассказывались: обычная оценка запасов, предпродажные запросы и платформа блокировки, онлайн-распределение запасов и динамические баллы AI Band-Aid.
Регулярные оценки запасов
Инвентарь здесь относится к рекламному инвентарю, то есть платформа может предоставить рекламодателям возможность эффективного рекламного воздействия. Оценка запасов на самом деле заключается в оценке данных запасов каждого рекламного места под многомерным крестом в ближайшие несколько дней.Оценка запасов является очень важной частью рекламы бренда, поскольку характеристики продаж рекламы бренда определяют продажи всего заказа. , И цикл бронирования будет очень долгим, количество заказов, запланированных каждый день, и график каждого заказа также отличаются. Чтобы лучше предоставлять рекламодателям справочную службу, включая оптимизацию онлайн-доставки, наша точная оценка запасов дает большую базовую гарантию эффективности всей нашей услуги.
Оценка запасов — это типичная проблема временных рядов.В первые дни словарная модель временных рядов представляла собой в основном несколько простых статистических моделей, таких как метод скользящего среднего и метод экспоненциального сглаживания. Постепенно развивались некоторые более сложные статистические модели, такие как классическая модель ARIMA и модель пространства состояний.Модель ARIMA также является классической моделью пространства состояний, которая также иногда используется для временной оценки.
Затем, после того, как AlphaGo стала популярной в 2017 году, глубокое обучение стало горячей темой, и все больше и больше людей применяют глубокие модели для непрерывной оценки. Например, все ядра DeepAR, MQ-R(C)NN и ST-RESNET используют методы глубокого обучения для прогнозирования временных рядов. Большинство этих статей были опубликованы во второй половине 2017 или 2018 года, и заинтересованные друзья могут их прочитать.
iQIYI также использовал модель ARIMA для оценки запасов на самом раннем этапе.Если быть точным, это должен быть Seasonal-ARIMA, то есть добавление элемента цикла в ARIMA.Преимущество в том, что модель очень быстрая, но мы обнаружили проблему. Видно, что точность модели ARIMA хорошая, но ее надежность относительно плохая.Именно по этой причине мы оптимизируем модель ARIMA.Оптимизированную модель можно назвать Adaptive-ARIMA.Ядро состоит в том, чтобы добавить ее на основе исходного ARIMA Фактор отпуска используется в качестве внешней объясняющей переменной. В то же время была проделана большая работа по оптимизации предварительной обработки данных, такой как обработка выбросов, усечение данных и т. д., что значительно повышает надежность всей модели.
В 2018 году мы начали решать проблему оценки времени глубоким методом.Самой ранней мыслью было использовать для оценки рекуррентную сетевую модель, такую как LSTM.Однако в реальном процессе работы мы обнаружили более серьезную проблему. упомянутые статьи также используются для оценки трафика, их минимальная детализация часто находится на уровне минут или 10 минут, но в сценарии рекламы брендов минимальная детализация — это дни, а вся видеоиндустрия за последние несколько лет. развитие будет очень быстрым.Если вы хотите сделать оценку, вы можете использовать только последние данные.Поэтому мой объем данных будет относительно небольшим, а размер выборки будет относительно небольшим. Другая проблема заключается в том, что мы предоставляем рекламодателям множество условий таргетинга.Если я пересекаю несколько измерений в каждом измерении и использую глубину для оценки, ресурсы также являются большой проблемой.
Чтобы решить только что упомянутую проблему нехватки ресурсов и образцов, мы предлагаем модель прогнозирования LSTM, основанную на иерархической кластеризации, После использования этой глубокой модели точность и надежность модели значительно улучшаются.
Модель прогнозирования LSTM иерархической кластеризации определяет сходство для инвентаря каждого измерения.В соответствии с колебаниями и тенденциями исторического запаса эти колебания и тенденции объединяются в класс с аналогичным измерением, и каждый кластер обучается совместно.Набор параметров, чтобы мы могли решить как проблемы с образцами, так и с ресурсами. Поскольку каждый кластер имеет данные во многих измерениях, его размер выборки можно решить одним способом; в то же время, если тот же кластер обучает только один набор параметров, потребление всего ресурса также относительно велико, и его можно видно, что весь кластер После классификации история инвентаризации в каждом кластере на самом деле относительно близка. Кроме того, на этой основе мы сделали некоторые другие оптимизации, а также оптимизировали праздники.
Платформа предпродажного запроса и блокировки объема
Заказ рекламы бренда начинается с продажи и, наконец, становится формальным онлайн-заказом.На самом деле, весь процесс очень долгий.Во-первых, рекламодатель будет общаться с намерением продажи, а продажи и продажи будут общаться по запросу и заказу и, наконец, после подтверждения окончательного намерения рекламодателем средства массовой информации помогут забронировать и разместить заказ. Заказ на резервирование должен быть рассмотрен группой проверки, прежде чем он станет официальным заказом. После того, как он станет официальным заказом, исполнитель выкладывает материал, и наконец он становится у всех, кто видел такое объявление.
Вероятно, во всем процессе каждый соответствующий модуль имеет систему обслуживания, и алгоритм также играет в этих системах очень много ролей.Мы называем это службой объемов запросов блокировки.Например, в начале есть продажи и операции продаж для общаться и запрашивать. Он пройдет через платформу запроса объема, а затем запросит службу запроса объема алгоритма, чтобы сообщить рекламодателю, сколько ресурсов доступно для вас при таком условии таргетинга, и может сделать резервирование для вас.
Когда окончательное намерение определено и заказ размещен, требуется заранее определенная операция.Мы сообщим, могут ли быть выполнены заранее определенные условия, насколько высок риск недостачи и приемлем ли риск недостачи.Только после подтверждения это может стать формальная оговорка. Одна из причин, по которой здесь запрашиваются как оговорки, так и запросы, заключается в том, что время для запросов часто заблаговременно, и может быть разница во времени между запросами и бронированием.Во время этого процесса ситуация с бронированием всей нашей системы, включая результаты наших оценок запасов могут колебаться, поэтому вам необходимо сделать дополнительные запросы при бронировании.
Когда заказ будет успешно забронирован, ресурс будет заблокирован заказом, и ресурс будет вычтен для последующих запросов. В настоящее время время от бронирования до утверждения во всем нашем процессе относительно короткое, поэтому изменение всего инвентаря или заранее определенное изменение во всей системе относительно невелико, и последующая проверка объема также будет учитываться для некоторых с относительно длительный интервал между бронированием и утверждением Заказ нуждается в доработке.
На платформе iQIYI на самом деле продается очень много рекламных площадей и рекламной продукции, в том числе очень много различных систем, для лучшей поддержки этих систем в структуру сервиса были внесены некоторые настройки. Прежде всего, чтобы снизить стоимость стыковки каждой системы, iQIYI предоставляет унифицированный API, будь то запросы, бронирование, аудит и другие платформы, к которым можно получить доступ через унифицированный API, и есть выделенный BrokerServer для получения каждого интерфейсная система Отправленный запрос затем распределяется по каждой подслужбе в соответствии с типом запроса и информацией о рекламном месте и рекламном продукте.Наконец, Брокер суммирует результаты обратной связи подслужбы для внешнего интерфейса.
Общая структура модели для каждой подуслуги выглядит следующим образом. Прежде всего, с точки зрения данных, у нас будут данные в реальном времени и автономные данные. Данные в реальном времени в основном предназначены для обновления уровня продаж в всей системы в режиме реального времени, включая ситуацию плановых отчислений. Существуют различные автономные данные, такие как оценка запасов, некоторые базовые статистические данные, в том числе обучение модели.
Также будут разные модели для различных рекламных продуктов в Интернете, включая распространение в реальном времени, модели алгоритмов, статистические модели и так далее. В настоящее время внедрение большинства новых рекламных продуктов в рекламное пространство может быть быстро поддержано с помощью метода конфигурации и вышеупомянутых моделей.
Вот введение в обычный патч, который также является обычным прероллом, который является самым важным рекламным ресурсом во всей iQIYI и даже в индустрии длинных видео.
Есть много предварительных заказов, и есть много вариантов таргетинга, которые могут быть предоставлены рекламодателям.По этой причине мы используем другой метод для запросов этой предварительной рекламы, чем другие конкурирующие продукты. В настоящее время мы проводим запросы с помощью регрессионной модели, которая эквивалентна рассмотрению возможной будущей ситуации с продажами рекламного места, а не возвращает максимально доступный инвентарь на текущее время запроса.
Преимущество этого заключается в том, что мы можем обеспечить стабильность всех продаж рекламы перед роликом, включая разнообразие заказов, чтобы лучше использовать данные о частоте пользователя. В настоящее время используемая нами регрессионная модель в основном представляет собой FM, и на этой основе мы добавили обучение с неотрицательными параметрами, обучение без смещения, обучение с учетом затрат и т. д., в основном для того, чтобы конечный результат больше соответствовал модели. бизнес-сценарий. Фактически, на этой основе мы также выполнили калибровку и генерацию GroundTruth, включая стандартную глубину, что также является очень важным вопросом в регрессионной модели этого обычного запроса.
Это результат, полученный после обучения самой примитивной FM-модели. Видно, что этапы этой модели будут очень большими, а некоторые параметры окажутся отрицательными. Проблема со слишком большим смещением заключается в том, что результаты объема будут относительно стабильными после запроса. Рекламодатели активизируют некоторую ориентацию и обнаружат, что результаты их запроса не колеблются слишком сильно. Отрицательный параметр может иметь большее влияние, потому что рекламодатель будет часто обращаться к рынку запросов, чтобы изменить условия таргетинга. Например, если рекламодатель обнаружит, что объем, возвращенный его первоначальным таргетингом, не может удовлетворить его покупательские потребности, он может добавить некоторые таргетинги.
Однако, если параметр отрицательный, может случиться так, что рекламодатель вернет ему меньше инвентаря после добавления целевых запросов Это, очевидно, соответствует общему восприятию и сделает запросы рекламодателя результативными. Чтобы решить эту проблему, мы приняли обучение без смещения и обучение с неотрицательным параметром, Во-первых, член смещения был удален, и во всем процессе итерации параметра FM был добавлен неотрицательный предел параметра. После этих двух оптимизаций самосогласованность объема запросов всей модели будет относительно лучше.
С точки зрения продаж мы предполагаем, что отклонение всей модели фиксировано. Очевидно, что потери от недопродажи будут больше, чем потери от перепродажи. За перепроданность мы можем сделать компенсацию, дополнив фактическую коллекцию, но недопродажа Если следовательно, прямой доход будет меньше. Поэтому, чтобы решить эту проблему, мы добавили метод обучения с учетом затрат, чтобы вес выборки с недооценкой стал больше, а потери стали больше.
При этом из-за всей нашей системы весь процесс опроса был ручным процессом, для обеспечения более плавного перехода от ручного режима к системному также необходимо добавить такую функцию. После этих оптимизаций разница в объеме запросов нашего алгоритма по сравнению с объемом запросов предыдущего сотрудника находится в допустимых пределах, а точность была дополнительно улучшена, поэтому вся наша система объема запросов теперь также отличается от предыдущего ручного метода. становится системным запросом.
Распределение онлайн-инвентаряВо-первых, распределение запасов — это один из основных модулей алгоритма рекламы бренда. Улучшенный алгоритм распределения инвентаря очень помогает в достижении основной цели оптимизации рекламы бренда, о которой мы упоминали ранее.
В качестве простого примера предположим, что в настоящее время в системе есть два заказа: заказ 1 на покупку телевизионных драматических каналов и сумма резервирования составляет 400 цен за тысячу показов, заказ 2 на покупку Пекинского измерения, а затем сумма резервирования составляет 800 цен за тысячу показов. Что касается инвентаря, пекинские телевизионные драмы, пекинские развлекательные шоу, шанхайские теледрамы и шанхайские развлекательные шоу имеют инвентарь по 400 цен за тысячу показов.
Предположим, что приоритет заказа 1 выше, чем приоритет заказа 2. Например, в процессе размещения заказа 1 мы будем размещать его равномерно в соответствии с дорамами Шанхайского телевидения, каждая из которых составляет 200 цен за тысячу показов. В настоящее время, в Пекине, заказ 2 может получить только один запас 600 цен за тысячу показов, что приведет к дефициту 200 цен за тысячу показов.
На самом деле реклама бренда — это процесс предварительной продажи, но в день запуска я действительно могу заранее знать, что количество пекинских телесериалов относительно невелико.Когда он запускается, хотя заказ 1 имеет более высокий приоритет, но я могу поместить все это в шанхайский телесериал, чтобы заказ 2 мог получить инвентарь 800CPM в пекинском измерении, чтобы не было недостатка во всей системе. Поэтому то, как оптимизировать распределение запасов всей нашей системы, очень полезно для достижения цели поддержания количества.
Таким образом можно определить всю проблему распределения инвентаря.Во-первых, у нас есть много атрибутов трафика, таких как общие платформы, города, контент, а также некоторые, такие как пол, возраст, сайты и т. д., каждая комбинация атрибутов будет образуют единицу трафика, под каждой единицей потока имеется определенный объем инвентаря.
Точно так же в нашей системе будет много заказов. Заказ имеет свою ориентацию. Только когда наш трафик соответствует ориентации заказа, заказ может быть выставлен под этот рекламный запрос или этот трафик. Таким образом, много- формируется двудольный граф запасов и заказов ко многим.Каждое соединение имеет количество, которое необходимо выделить, которое представляет, сколько запасов я хочу выделить этому заказу в рамках этой единицы потока.
Такую проблему мы можем формально определить как проблему оптимизации справа, где вся цель оптимизации надеется, что недостаток системы будет наименьшим. Ниже приведены некоторые ограничения, в том числе ограничения со стороны предложения и некоторые ограничения со стороны запасов.
Для такой задачи, поскольку число xij очень велико, поскольку ситуация, подлежащая расширению, может быть близка к такому порядку величины, это явная NP-трудная задача, и некоторые решения таких задач также легко доступны. Методы. Например, по сравнению с классическим алгоритмом Шейла друзья, которые изучают эту область, могут ссылаться на эту статью.
Поскольку распределение запасов на самом деле является проблемой глобальной оптимизации, как мы можем проводить эксперименты A/B для такой глобальной задачи оптимизации? В первую очередь делаем сегментацию онлайн-трафика по UID hash Bucket.Преимущество в том,чтобы трафик был относительно однородным,и были частоты между пользователями.Частоты будут подробно описаны позже,и частоты не мешают друг с другом.
Во-вторых, мы разделим объем планирования заказа, включая некоторый контроль его корзины, а также потребление и калибровку инвентаря в реальном времени под рекламным местом, на корзины, и на стороне алгоритма инвентарь каждой корзины будет пропорционально увеличен до 100%, это эквивалентно превращению исходного рекламного места в несколько, если предположить, что сейчас в сети три корзины, это эквивалентно превращению одного трафика и заказа под исходным рекламным местом в три копии.Количества не зависят от каждого друг на друга и не влияют друг на друга, а предложение каждого транша и спрос на стороне заказа абсолютно одинаковы.Единственное, что влияет на эффект доставки, - это алгоритм классификации запасов, который становится экспериментом с однофакторной переменной. может использоваться для проверки эффекта оптимизации алгоритма распределения.
В настоящее время мы сосредоточены на решении двух проблем точной ориентации и управления частотой и надеемся на общение с вами.
Во-первых, это точный таргетинг. У наших рекламодателей много таргетинга. Например, есть таргетинг на город, канал и платформу. Эти таргетинги представляют собой некоторые параметры, на которые рекламодатели часто ориентируются, и мы называем это обычным таргетингом.
Исходя из этого, мы откроем для рекламодателей множество точных таргетингов, таких как таргетинг по полу и возрасту, в том числе таргетинг по тегам видео и краудпакам. разрежены, и между измерениями могут быть пересечения.
В соответствии с проблемой, которую я только что определил, если я хочу решить такую задачу распределения, самый прямой способ — расширить все измерения, потому что можно обеспечить множество ориентаций.После полного расширения количество измерений в инвентарная сторона изменится.Она очень большая, такая проблема, мы не можем решить все онлайн-решение.
Во-вторых, здесь есть более неприятный момент, то есть такие атрибуты, как толпа, есть пересечения между разными ориентациями, например, пользователь на нашей платформе может быть фанатом Хуан Сяомина или костюмированной драмы. для любого крауд-пакета этот пользователь имеет два состояния: принадлежность и непринадлежность.Чтобы исчерпать атрибут толпы-пакета и превратить его в непересекающуюся единицу потока, наши N крауд-пакетов будут иметь 2^N комбинаций, а их может быть сотни толпы паков с картинками онлайн каждый день Такое расширение размеров совершенно неизмеримо, поэтому мы не можем достичь этого таким простым способом.
Кроме того, более важной проблемой рекламы бренда является проблема частоты. Так называемая проблема частоты заключается в том, что рекламодатель ограничивает количество раз, которое каждый пользователь может просмотреть рекламу в цикле. Проблема частоты оказывает большое влияние на весь дистрибутив.
Например, предположим, что теперь у нас есть три пользователя ABC в системе. Эти три пользователя предоставляют один запас, два запаса и семь запасов соответственно за период времени. Предполагая, что для заказа нет ограничений по частоте, эти 10 пар запасов все доступно ему, но предположим, что рекламодатель добавляет ограничение на этот заказ, например, контроль частоты один раз в цикле, три пользователя ABC могут предоставить только один инвентарь для этого заказа, поэтому контроль частоты осуществляется один раз. В случае , доступный запас для этого заказа становится равным 3, а в случае двойного регулирования частоты доступный запас для этого заказа становится равным 5.
Таким образом, при различных условиях управления частотой, даже если атрибуты направленного потока этих двух заказов одинаковы, их доступный запас будет очень разным, поэтому влияние управления частотой на все распределение будет очень большим.
Прежде всего, что касается точного таргетинга, мы решим его через иерархическую модель инвентаризации. Мы будем строить базовые единицы трафика на основе основных измерений. Здесь в основном платформы, регионы и каналы. На этой основе каждый сегмент Под основным измерением, каждый поддерживает свою собственную длиннохвостую направленную инвентарную структуру, включая пол, возраст и т. д., которые не мешают друг другу.
Вывод всего заказа на самом деле последовательный, когда заказ, который мы вычитаем, не имеет ориентации на длинный хвост, мне нужно сделать вывод только под моей основной ориентацией, только когда он относится к заказу с ориентацией на длинный хвост, я будет вычитать задержку вычета, ориентированную на ядро, для следующих ориентаций длинного хвоста.Например, если у меня есть заказ, который трудно выполнить в процессе вычета, я рассчитаю запасы этого заказа и вычту длинный-хвост. ориентация хвоста, которой раньше не было. Доля заказов, вычитаемых в основном измерении, вычитается поровну между пользователями мужского и женского пола и пользователями неизвестного пола. На этой основе я подсчитаю, сколько инвентаря есть у текущих пользователей-мужчин.
Так как длиннохвостый таргетинг был введен и ранее, заказов, ориентированных на них, относительно немного.Когда я вычитаю большинство заказов, мне нужно учитывать только основное измерение ориентации, и сложность всего вывода будет относительно низкой.
Кроме того, для ориентаций, таких как массовые пакеты, я поддерживаю только соответствующую структуру инвентаря каждой ориентации и не учитываю пересечение друг друга.Если есть одновременные ориентации, наш временный метод обработки заключается в том, чтобы обрабатывать их ортогонально. Конечно, такой метод дедукции по точности имеет определенный проигрыш по сравнению с относительным полным расширением, но по вычислительной эффективности и ресурсам он дает очень большую экономию, и эти порядки с ориентацией на длинный хвост напрямую игнорируют друг друга. С такой ориентацией эффект был значительно улучшен.
И весь процесс вывода также очень прост, потому что для ордеров с ориентацией на длинный хвост мне нужно только записать его доступную долю под каждым основным измерением, которое я помечаю здесь как fij, я могу передать xij наконечник, равный методу xij×fij на замену, после замены на процесс решения всего алгоритма никак не влияет, только корректировка производится при включении движка в меню прокси в конце, т.к. движок естественно уже сделал Скрининг трафика, поэтому для заказов доступный инвентарь в этом измерении стал si×fij.Все решение и встраивание процесса окончательного меню относительно гладкие.Мы также проверили всю доставку ранее.Эффект значительно улучшился.
Что касается частоты, частота может иметь большое влияние на запасы заказа.В только что приведенном примере заказ контролируется один раз в неделю, что составляет три запаса, а частота контролируется два раза в неделю, что составляет пять запасов. , но на самом деле одно из предположений здесь: мол, в системе может быть только один ордер, когда в системе несколько ордеров, проблема усложняется.
Например, в системе известно, что заказ 1 контролируется по частоте один раз, и весь запас, который может быть занят, занят.Например, ABC занимает запас.В это время, хотя контроль частоты заказа еще дважды , его доступный инвентарь станет равным 3 вместо прежних 5. Когда в этой системе много заказов и пользователей, отношения будут очень сложными, и как лучше доставить пользователям, также очень важный вопрос.Когда заказ отображается на пользователе А или Б, это вызовет доступный запас заказа 2 станет 4. Только когда он будет помещен на пользователя C, доступный запас заказа 2 по-прежнему будет равен 5. Для заказа 2 его доступный запас станет больше.
Поэтому то, как оптимизировать эту проблему частоты, будет иметь большое влияние на всю доставку онлайн-эффекта.Давайте не будем учитывать факторы, что все заказы во всей системе переполнены друг другом, и рассчитаем fij, чтобы указать доступный инвентарь при этой частоте. Мы рассчитываем При вычете заказа будут учитываться ограничения скимминга fij При одинаковой ориентации, чем меньше скимминг fij, тем предпочтительнее будет производить вычет.
Во-вторых, во всем процессе вычисления распределения делается fij для его вероятности распределения, а ограничение опускается.Последнее fij на самом деле является только что упомянутой ориентацией с длинным хвостом, и решение такое же. Таким образом, эффект доставки заказов с регулируемой частотой для всей частоты также значительно улучшился.
Динамические очки AI Band-Aid
Во-первых, так называемый AI Band-Aid использует технологию AI для определения строк, звезд, сцен и другого контента в видео, а затем помечает каждый временной узел видео, а затем реклама размещается через целевые связанные метки, поэтому что все размещение рекламы больше соответствует видеоконтенту.
На картинке выше, когда в видео появляется слово «платить», мы также показываем рекламу Alipay, и вы можете видеть, что отображение всей рекламы относительно соответствует видеоконтенту. Справа схематическая диаграмма точки. Вы можете видеть, что на изображении этого кадра мы можем на самом деле ввести много точек, включая некоторые точки сцены, звездные точки, выражения, линии и т. Д., Каждый кадр С таким образом много лейблов, как выбрать правильное место для рекламы?
Мы называем это решение двухэтапной динамической точечной моделью.Во-первых, точки видео помечаются различными точками путем извлечения некоторых ключевых кадров и некоторых моделей глубины, связанных с изображением. Эти точки хранятся в HBase, и там будет различная информация о точках. На стороне алгоритма будет запланированная задача предварительного распределения.Задача предварительного распределения в основном заключается в предварительном просмотре всех точек, синхронизированных в ИИ, в соответствии с различными бизнес-правилами.Будет много бизнес-спецификаций, в том числе две реклама не может превышать 1 минуту, одна и та же точка не может быть показана несколько раз в одном и том же видео, включая отсутствие рекламы в течение первых 2 минут и т. д.
На основе этих бизнес-спецификаций также будет учитываться вся коммерческая стоимость этикетки, потенциальные запасы и исторический уровень продаж, чтобы после предварительного распределения общая коммерческая ценность зарезервированных мест и рекламных мест была максимальной. Результат этого предварительного распределения будет синхронизирован со службой распределения в реальном времени.Служба реального времени в основном состоит из двух частей: 1. Связанные с доставкой. Одна из целей оптимизации — свести к минимуму общий разрыв. 2. Это связано с количеством блокировок запросов. Мы хотим, чтобы цель оптимизации максимизировала общий результат запроса.
Поскольку распределение в реальном времени, будь то доставка ядра или объем запроса на блокировку, предъявляет относительно большие требования ко времени отклика всей системы, поэтому, если мы каждый раз выполняем выделение полного объема данных в реальном времени, очевидно, что эта эффективность не может быть достигнута. быть удовлетворенным, так что для шага предварительного распределения в настоящее время все наше предварительное распределение будет заполнено каждый день, и позже будет логика инкрементного обновления. Полный объем обычно занимает 2-3 часа, а прирост составляет около 30-40 минут.
Только что упомянутый важный фактор, который следует учитывать при предварительном распределении, — это значение тега, а затем значение тега определяется по формуле на рисунке ниже. Инвентаризация может занимать 2-3 часа за один раз, а выделять время каждый день недопустимо, поэтому мы не оптимизировали ситуацию с бронированием каждого дня. В настоящее время для каждого видео выполняется последовательное предварительное распределение, и цель состоит в том, чтобы максимизировать значение тега сохраненных точек тега.
Для конкретного процесса сначала все точки будут отсортированы случайным образом, а затем значение последней зарезервированной точки будет наибольшим за счет динамического программирования или жадного алгоритма, и все мои точки могут быть произвольно зарезервированы и размещены, а ограничения, которые не запускать любые бизнес-правила.
На этой основе баллы после предварительной обработки каждого тега и каждого видео присваиваются распределению в реальном времени.Подобно предыдущему распределению инвентаря, вся система распределения в реальном времени также определяет цель оптимизации.Общая цель оптимизации делает распределение точка коммерческого значения Значение является наименьшим, что гарантирует, что оставшиеся нераспределенные видео имеют большую коммерческую ценность, так что с точки зрения продаж последующие продажи могут быть более эффективными.
Чтобы все теги имели ценность для продажи и чтобы некоторые рекламодатели тегов не захотели покупать в процессе последующего запроса, но из-за общего исторического уровня продаж и низкой коммерческой ценности мы можем сообщать рекламодателям. меньше инвентаря, поэтому значение этого тега будет обновляться после выделения каждой части видео, а его вес будет увеличиваться для тех тегов, которые были выделены и сохранили меньшее количество баллов.