基于多智能体协同进化策略的电商广告多目标竞价优化
这是一篇关于电商搜索广告,实时竞价,多目标优化,协同进化策略的论文, 主要内容为在线广告(Online Advertising)是一种利用互联网作为媒体,通过实时竞价(Real Time Biding,RTB)帮助广告主吸引目标消费者,从而实现目标诉求的市场策略。电商搜索广告(Sponsored Search,SS)是一种主流的在线广告,即消费者通过在电商平台输入用户请求,广告主在电商平台实时竞价竞得流量,从而获得后续的成交行为。在高度动态的电商市场(如淘宝,亚马逊,京东等),每天通常有数百万的广告主,数十亿的用户请求以及上百亿次的实时竞价,且广告主存在多样化的诉求。如何在如此大规模的电商环境下,优化实时竞价问题,满足广告主多样化目标诉求成为更具有挑战性的问题。学术界和工业界已经非常深入研究了从单广告主视角的竞价优化问题,即假设其他竞价者不改变出价,导致在真实竞价环境中较差的表现。虽然有一些工作从多广告主视角,利用多智能体强化学习,通过构建一致的目标进行协同优化出价,但他们存在如下缺陷:(1)他们很难避免多广告主作弊问题,即广告主故意均出较低价竞价流量;(2)他们不能很好的解决复杂动态的竞价环境,导致较差的收敛性。且针对电商搜索广告竞价优化问题,之前的工作也没有考虑同时优化广告主多样化的诉求目标。本文提出一套新颖的多目标协同出价优化框架,称为多智能体协同进化策略(Multi-Agent Cooperative Evolutionary Strategy,MCES)。多智能体协同进化策略设计了一个全局的目标,从而最大化所有广告主的总体利益,鼓励广告主更好的协同也保护了自主出价的广告主。为了应对作弊问题,本文也额外引入了平台的收入作为约束。针对每次竞价,本文首先从理论分析出了最优的出价公式,同时设计了相应的多智能体竞价策略。此外本文设计了高效的多智能体进化策略进行模型优化,进化策略不需要显式建模动态的竞价环境,从而更适合出价优化问题。本文提出的模型,在大规模搜索广告的淘宝电商平台上,进行离线评测和在线A/B测试,都显著优于现有最新的工作。且该模型已经完全上线部署到淘宝的电商平台,每天服务上百万的广告主实时竞价优化,对平台目标以及广告主多诉求目标均有5%以上的效果提升。
基于大数据分析的DSP数据处理系统的设计与实现
这是一篇关于DSP,流式处理,实时竞价,人群受众的论文, 主要内容为DSP(Demand Side Platform)即需求方平台,在互联网广告中有着重要的作用,它通过对接若干个广告交易平台,让广告主合理精准的投放广告。不同于传统的广告方式,DSP并不专门购买媒体流量资源,而是通过AD Exchange(广告交易平台),采用实时竞价的方式赢得广告展示的机会。AD Exchange发送广告请求给DSP,DSP接收到请求并决定是否进行投放以及投放什么类型的广告,AD Exchange就根据多个DSP返回的竞价价格,最终决定给用户展示哪个DSP的广告。因此在DSP的广告投放过程中,数据的重要性不言而喻。DSP平台数据处理系统需要对DSP整个投放过程中生成的数据进行处理,主要处理三方面的数据:一种是广告交易平台发起的广告请求数据;其次是DSP平台在广告竞价过程中生成的相关日志数据;最后是广告主网站回传的用户行为数据。DSP数据处理系统需要根据业务需求对这些数据分别采用不同的处理方式来处理。DSP数据处理系统需要解决的问题有四点:1.为了能够实时进行数据统计,系统需要对数据进行流式处理;2.为了建立离线化存储的数据中心并为企业各部门决策提供支持,需要对数据进行离线处理并建立合适的数据仓库;3.为了能够更精准的为广告主进行广告投放,系统需要对RTB(Real time bidding)过程进行算法模型的优化和处理;4.为了从收集到的数据中提取出有价值的投放人群方便后台投放,需要建立人群受众模块。为了实现以上目标,本文采用了Flume-Kafka-Storm的流式处理架构,设计并实现了流式处理的内部业务逻辑,从而实现实时数据的统计;采用了HIVE进行数据仓库设计,整合三方数据,进行统计分析,并给其它部门提供支持;研究了DSP平台的实时竞价的相关算法,实现了针对CTR(Click Through Rate)模型的优化,满足了不同的投放要求;研究了DSP平台的投放人群,根据多方数据来源,提取用户不同维度的行为数据,并找到人群受众,为后续的投放提供精准的定位。本文通过这四个方面对DSP平台的数据处理系统进行了研究,实现其各自的功能要求,测试相关性能,最终能达到上线运行的要求。本文的DSP平台的数据处理系统已经经过了线上投放测试,各个功能都已经相继完成,可以使用离线和实时两种处理方式来对数据进行处理,建立了HIVE数据仓库,建立了高价值人群模型和CTR模型,为公司的广告投放提供了重要的数据支持,为DSP平台决定广告投放与否以及投放对象的选择提供了更合理的建议。通过该系统产生的数据可以更直观的看到投放效果,让广告主更加清晰的了解广告投放的具体成果,为广告主带来更好的体验和效果,为公司创造更高的效益。
广告交易平台的设计与实现
这是一篇关于广告交易,实时竞价,数据流处理的论文, 主要内容为随着互联网广告市场的发展,出现了各种形式的广告交易平台,比如需求方平台、广告交易平台、供应方平台、广告网络等。这些平台人为的割断了广告交易的过程,影响了广告交易。除此之外用户需要更加精细化的管理、实时进行广告调优,保证广告资源效使用的有效性。与此同时,管理者须要更加灵活的组织和调配流量资源,依托于广告平台系统功能,与用户进行深层次、高效的整合,形成多样性的精准化交易方案。因此,建立广告交易平台。广告交易平台采用B/S的模式设计,利用成熟的JavaEE平台,采用MVC设计模式进行设计开发,这种架构下开发的平台具备易于部署、操作简单、维护成本低优势。广告交易平台使用Velocity标签和Bootstrap框架以及JQuery库进行前端数据可视化,利用ajax实现前后台数据交互。使用Flume、Kafaka、Storm等大数据流处理技术,实现交易数据收集、整理、分析、入库等操作。Go是一个开源的编程语言,构造简单、可靠且高效。因此,用Go实现广告交易的全过程。广告交易平台分为系统管理,客户管理、广告管理、广告交易、交易统计。系统管理维护平台运行的基础数据,使系统合理有效。客户管理包括联盟、广告主和代理商管理及账务管理;广告管理即计划管理、单元管理、广告创意管理和控制广告交易状态;广告交易即以实时竞价的方式参与交易,CPM计价;交易统计以交易数据为依托,可视化展示代理商图表、广告主图表、计划图表、单元图表、创意图表、联盟图表、媒体图表、广告位图表、地域图表、网络图表、系统图表。从可视化数据的图表中判断广告交易情形,调整交易价格与素材等。广告交易平台是第三方互联网广告交易平台,面向代理商和媒体联盟。自从上线后,广告主获取良好的市场转化率,扩大品牌影响力。媒体流量得到变现,以竞价方式成交,获取收益。
广告交易平台的设计与实现
这是一篇关于广告交易,实时竞价,数据流处理的论文, 主要内容为随着互联网广告市场的发展,出现了各种形式的广告交易平台,比如需求方平台、广告交易平台、供应方平台、广告网络等。这些平台人为的割断了广告交易的过程,影响了广告交易。除此之外用户需要更加精细化的管理、实时进行广告调优,保证广告资源效使用的有效性。与此同时,管理者须要更加灵活的组织和调配流量资源,依托于广告平台系统功能,与用户进行深层次、高效的整合,形成多样性的精准化交易方案。因此,建立广告交易平台。广告交易平台采用B/S的模式设计,利用成熟的JavaEE平台,采用MVC设计模式进行设计开发,这种架构下开发的平台具备易于部署、操作简单、维护成本低优势。广告交易平台使用Velocity标签和Bootstrap框架以及JQuery库进行前端数据可视化,利用ajax实现前后台数据交互。使用Flume、Kafaka、Storm等大数据流处理技术,实现交易数据收集、整理、分析、入库等操作。Go是一个开源的编程语言,构造简单、可靠且高效。因此,用Go实现广告交易的全过程。广告交易平台分为系统管理,客户管理、广告管理、广告交易、交易统计。系统管理维护平台运行的基础数据,使系统合理有效。客户管理包括联盟、广告主和代理商管理及账务管理;广告管理即计划管理、单元管理、广告创意管理和控制广告交易状态;广告交易即以实时竞价的方式参与交易,CPM计价;交易统计以交易数据为依托,可视化展示代理商图表、广告主图表、计划图表、单元图表、创意图表、联盟图表、媒体图表、广告位图表、地域图表、网络图表、系统图表。从可视化数据的图表中判断广告交易情形,调整交易价格与素材等。广告交易平台是第三方互联网广告交易平台,面向代理商和媒体联盟。自从上线后,广告主获取良好的市场转化率,扩大品牌影响力。媒体流量得到变现,以竞价方式成交,获取收益。
在线广告投放平台的设计与实现
这是一篇关于程序化交易,实时竞价,广告投放,流数据,数据处理的论文, 主要内容为在现如今的社会生活中,基于程序化交易的自动化广告投放业务发展迅速,大规模的在线广告投放平台的出现使得广告投放之间的竞争越来越激烈。一些小的企业没有自己的广告投放平台,需要依托第三方平台,无法获得效益。另一方面,有了自己的广告投放平台,对自己的广告下发做不到控量,导致没有价值的广告下发下去,用户并没有浏览和点击。除此之外,程序化广告的出价方式比较落后,对每条广告有着固定价格,增加广告投放平台的成本浪费。论文选题来源于实习公司的广告平台项目,随着大数据的快速发展,行业的领军者在广告业务的研究也相当成熟。为了满足公司不断激增的业务量,针对当前广告投放存在的问题,结合公司具体的业务场景,为帮助公司获得高额利润,参与并进行了广告投放平台的设计与实现。dsp(Demand-Side Platform)广告投放平台在业界通常被称作需求方平台,目的是选取一条价值最高(最适合投放)的广告去投放到广告交易平台,提供一种自动化选取广告的设计方案从而实现广告投放平台的分析与设计,完成公司内部广告投放平台。其主要工作如下:(1)分析并研究广告平台的相关资料,决定本文所采取的具体技术和手段,之后对在线广告投放平台的功能性需求和非功能性需求进行设计,结合广告平台相关技术和需求分析,对本项目的主要的功能进行概要设计和详细设计。(2)研究中采取spring框架,在对广告进行过限流后,选出一条价值最高的广告去参与投放。在本项目中数据的处理主要采用大数据流处理技术,提高广告数据的实时性,基于大数据的实时计算和离线数仓保证数据的准确度,为广告筛选提供数据保证。(3)在实际项目开发,研究并使用任务调度平台来完成项目中任务的定时调度,更好进行数据处理,同时使用可视化工具对系统的非功能性测试进行良好的设计与分析。本项目已经在公司内部进行实施,并且功能还在不断迭代,我在该项目所做的工作,保障了该项目的完整运行,各功能模块达到预期,系统执行效益也得到验证,为公司内部投放广告降低成本,提高效益。该项目由于在本公司首次开发,未来还有很大发展空间,比如支持更多的广告形式、提升更改的数据处理能力,广告投放的精准度还有很大的改善空间。在不久的将来,可以基于该平台更好地完成广告交易平台和广告数据管理平台的实现。
基于大数据分析的DSP数据处理系统的设计与实现
这是一篇关于DSP,流式处理,实时竞价,人群受众的论文, 主要内容为DSP(Demand Side Platform)即需求方平台,在互联网广告中有着重要的作用,它通过对接若干个广告交易平台,让广告主合理精准的投放广告。不同于传统的广告方式,DSP并不专门购买媒体流量资源,而是通过AD Exchange(广告交易平台),采用实时竞价的方式赢得广告展示的机会。AD Exchange发送广告请求给DSP,DSP接收到请求并决定是否进行投放以及投放什么类型的广告,AD Exchange就根据多个DSP返回的竞价价格,最终决定给用户展示哪个DSP的广告。因此在DSP的广告投放过程中,数据的重要性不言而喻。DSP平台数据处理系统需要对DSP整个投放过程中生成的数据进行处理,主要处理三方面的数据:一种是广告交易平台发起的广告请求数据;其次是DSP平台在广告竞价过程中生成的相关日志数据;最后是广告主网站回传的用户行为数据。DSP数据处理系统需要根据业务需求对这些数据分别采用不同的处理方式来处理。DSP数据处理系统需要解决的问题有四点:1.为了能够实时进行数据统计,系统需要对数据进行流式处理;2.为了建立离线化存储的数据中心并为企业各部门决策提供支持,需要对数据进行离线处理并建立合适的数据仓库;3.为了能够更精准的为广告主进行广告投放,系统需要对RTB(Real time bidding)过程进行算法模型的优化和处理;4.为了从收集到的数据中提取出有价值的投放人群方便后台投放,需要建立人群受众模块。为了实现以上目标,本文采用了Flume-Kafka-Storm的流式处理架构,设计并实现了流式处理的内部业务逻辑,从而实现实时数据的统计;采用了HIVE进行数据仓库设计,整合三方数据,进行统计分析,并给其它部门提供支持;研究了DSP平台的实时竞价的相关算法,实现了针对CTR(Click Through Rate)模型的优化,满足了不同的投放要求;研究了DSP平台的投放人群,根据多方数据来源,提取用户不同维度的行为数据,并找到人群受众,为后续的投放提供精准的定位。本文通过这四个方面对DSP平台的数据处理系统进行了研究,实现其各自的功能要求,测试相关性能,最终能达到上线运行的要求。本文的DSP平台的数据处理系统已经经过了线上投放测试,各个功能都已经相继完成,可以使用离线和实时两种处理方式来对数据进行处理,建立了HIVE数据仓库,建立了高价值人群模型和CTR模型,为公司的广告投放提供了重要的数据支持,为DSP平台决定广告投放与否以及投放对象的选择提供了更合理的建议。通过该系统产生的数据可以更直观的看到投放效果,让广告主更加清晰的了解广告投放的具体成果,为广告主带来更好的体验和效果,为公司创造更高的效益。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计驿站 ，原文地址：https://bishedaima.com/lunwen/49591.html
