视频广告系统中的算法应用

分享人:Shulei

2020.11.7

引言

2020年11月7日清华大学计算机系、AI Time、学堂在线联合主办了智能技术与系统博论的活动。此次活动邀请了Hulu的Shulei进行技术分享。

付费订阅用户和广告是Hulu营收的主要来源，而利用数据和算法更好地服务用户和广告商并增加Hulu在广告上的收入则是广告策略团队的核心追求。本次分享以《Hulu视频广告系统中的算法应用》为主题，对Hulu的广告系统和相关算法应用进行了简单的介绍。

Hulu的广告业务主要以品牌广告为主，基于每千次展示计费，广告主更关注广告触及用户数量，频次，以及对品牌认知度的提升。同时Hulu广告的来源包括合约广告和竞价广告，其中合约广告以保量合约广告占多数，指的是广告主与Hulu提前签订了指定定向规则、时间周期和广告曝光量的合约，Hulu若无法完成则需赔偿。竞价广告则是用户日益增长后为了充分利用Hulu广告流量引入的新形式，通过与SSP平台合作，允许受邀请的广告主通过私有市场竞价的方式获得Hulu的广告位进行展示。

一个典型的广告生命周期包括两个大的阶段，分别为广告销售和计划阶段以及广告投放和结算阶段。具体来看又包括了四个流程：

1. 首先是销售人员确定广告主需求并通过广告定向系统提供相应的定向以实现精准投放，过程中涉及各种定向算法，这里列举出部分；

2. 然后需要通过订单管理系统和广告主确认可以投放的曝光量、价格和投放周期。其中最重要的就是用来预测未来库存量的库存预估算法以及辅助广告商决策的触达和频次预测，以及针对不同价值订单的动态定价。

3.接着进入核心的广告在线投放平台进行投放，并通过在线库存分配算法进行决策

4.最后需要对广告投放进行实时监控并在订单结束后进行结算，这部分涉及到流量的反作弊和广告效果的归因分析等算法。

本次分享主要选取了不同方向的三个算法进行介绍，分别是追剧预测、库存预估以及在线库存分配。

追剧预测是针对Hulu新推出的序列广告形式Binge Ad而设计的特殊的定向规则，主要用于识别有较大概率连续观看同一部剧三集以上的追剧狂热者。算法经历了三个版本的改进，从最初离线基于用户进行预测，到考虑用户近线和实时特征的情况下基于线上广告请求进行预测，再到利用CNN对用户近线观看序列进行建模，模型的效果得到了稳步提升。

随后介绍了用于库存预估的时间序列预测模型Prophet以及相关改进。Prophet模型由Facebook在2017年提出，主要通过将观测序列分解为趋势、周期性、节假日三部分因素，各自通过不同函数形式建模，并求解观测序列的最优拟合曲线来得到对未来流量的预测。该模型有很好的可解释性，图中展示的分别是趋势，年周期性，节假日以及周周期性的拟合结果。同时在实际应用模型的过程中我们也碰到一些问题并通过两个改进方案较好地解决了。

最后介绍了广告投放中的核心算法——在线库存分配。在线库存分配算法决定了每个广告请求分配给哪个广告，在广告系统中有着举足轻重的作用。这也是一个广告界的经典问题，通常建模成二部图匹配。考虑到二部图匹配求解复杂度高，且难以灵活满足业务上的复杂需求，我们组使用了基于PID Controller实时动态分配的在线投放算法，通过自动化控制理论中的经典模型PID Controller来动态调节每个广告对应的系数并指导广告投放。其后更对基本模型进行了改造，用来满足增加竞价广告提升收益以及增加广告相关性提升用户广告体验的需求。详细内容也在Hulu沙龙|AI技术实践应用专场（点击“阅读原文”可直达该文章）的视频广告系统的多因素投放算法部分进行了介绍，欢迎感兴趣的同学关注。

广告领域的算法技术百花齐放，这里分享的只是其中很小的一部分，Hulu未来也会在广告产品和技术上不断钻研探索，期望带给用户更好的体验。

长按关注Hulu

获取更多技术分享动态

↓ 点击“阅读原文”

直达Hulu沙龙|AI技术实践应用专场