本发明涉及互联网广告技术领域，尤其涉及一种广告排序系统和方法。
背景技术：
随着互联网的广泛应用，互联网广告日益受到广告主的青睐。在cpc、cps、cpa、roi等以效果进行结算的广告推广方式中，广告推广者为了节省服务器资源，会增强对点击数、下载、销售等数据的收集，而减少对展示相关数据的收集。而对于广告服务商来说，需要将多个广告内容按一定的顺序发送给渠道商，再由渠道商对广告进行相应的竞价，最终使广告得到展示。而在apx广告中，渠道商并不是实时请求广告，而是间隔一段时间才会请求广告，因此广告服务商的广告排序对于其广告效果、最终收益都会形成非常直接的影响。
而目前的广告排序技术中，更多的是针对广告展示的排序。例如，一种广告智能排序算法，包括如下步骤。
步骤1：订单整理，获取所有广告订单的日期和时段信息，然后通过筛选软件进行排序，然后将所有广告订单按日期、时段插入到串联单中，其中，在串联单中，当下一个订单广告插入时，串联单中位于插入广告订单后面的所有订单广告自动向后移动一个位置，从而使得插入订单广告的插入位置留出一个空白位置，插入的订单广告自动填补空白位置，这种方式可以将所有广告订单依次有序的进行排序，避免出现广告重复播发或漏播的现象。
步骤2：处理指定位置广告，将指定位置的广告按指定位置放置，所有广告订单整理排序后，由此顺序设定为初步的播放顺序，然后提取出所有的指定位置广告，再将所有的指定位置的广告一一对应的指定的位置，由此确定指定位置的广告的播放顺序。
步骤3：处理未指定位置广告，将未指定位置的广告通过高效遍历逐条插入，同类广告自动往下顺延，进行同类广告分离，在将指定位置广告确定播放位置后，将未指定位置的广告通过高效遍历程序进行排布播放顺序，如果两个相邻的未指定位置的广告属于同类型的广告，两个相邻的未指定位置的广告的前一条确定在原顺序的播发位置上，而后一条往下顺延，直到后续广告中出现非同类型的广告且将此广告指定到排序的播放位置上，紧接着两个相邻的未指定位置的广告的后一条广告指定到后续的播放位置上，这样可以有效的将同类的广告分离，避免造成观众的不满。
步骤4：确定排序参数，机器学习算法前五天的广告编排规律，将其转化为当天串联单的排序参数，在机器上打开前五天的广告串联单，由此机器自动识别前五天的广告串联单的排布规律，并且将前五天的广告串联单的排布规律转化成相应的排序参数，然后将此排序参数作为第六天的串联单的排序参数，这样可以将当天大量的广告订单迅速排序，大大提高了工作效率。
步骤5：最终序位调整，机器自动转化串联单的排序参数后并由此排序参数进行最终序位调整，将排序参数代入到当天的串联单中，然后当天的串联单根据排序参数进行序位调整，最后的播放序位确定位最终序位。
步骤6：插播广告，根据时段空余时长和排序参数两个因素，自动插入广告，在广告串联单中，根据所有的广告的时长和位置顺序，依次进行插播，这样可以完成时间上衔接，既保证广告的完整播放，又不会影响正剧的播放进度。
技术实现要素：
本发明所要解决的技术问题在于，提供一种广告排序系统和方法，通过不同条件对广告进行排序，使得高质量广告获得更多的展示机会。
为了解决上述技术问题，本发明提供了一种广告排序系统，包括定向模块、排序模块和调整模块；
所述定向模块，用于根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告；
所述排序模块，用于根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据；
所述调整模块，用于根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件。
所述发送模块，用于将广告按所述调整模块的排序将广告发送给所述渠道商。
在上述技术方案中，渠道商是指向系统发送广告请求，并接收系统发送的广告序列，再进行广告出价、展示的互联网广告服务商。
作为上述方案的改进，所述定向模块筛选出的广告包括旧广告和新广告；其中，旧广告是有历史投放数据的广告，新广告是无历史投放数据的广告。
在上述技术方案中，旧广告可以利用历史投放数据按照第一排序条件进行排序以获得合理的排名，而新广告因为没有历史投放数据，所以无法能够与其相对应的排名，而只能排在序列最末端，甚至无法获得展示机会。通过对新广告和旧广告一起进行筛选，可以将所有符合定向要求的广告筛选出来，保证新广告和旧广告具有一样的机会。
作为上述方案的改进，所述第一排序条件是转化数、转化率、收益、价格、预算中的一个。
在上述技术方案中，转化数是指广告成功转化的数量，既可以观看时长，也可以指下载、安装等。每个指标侧重点都不一样，但都可以是广告的核心指标。
作为上述方案的改进，所述第一排序条件也可以是所述第二排序条件，但在对同一次广告排序中所述第一排序条件与所述第二排序条件不相同。
在上述技术方案中，通过对至少两个条件对同一组广告进行排序，可以避免单一参数的缺点，尤其是对于新广告更加友好。
作为上述方案的改进，所述第二排序条件至少包含一个分段排序条件；其中，所述分段排序条件是指将按该条件将广告分为不同的梯队，并进行梯队排序的指标。
在上述技术方案中，采用分段排序条件的设置，可以保证一些单项指标不高，但是质量优异的广告可以取得较为靠前的名次。同时，对于单一指标突出，其他指标劣后的广告的排名进行限制。另外，本技术方案还可以限制新广告的排名，从而实现整体排名变动的平滑。
作为上述方案的改进，所述第二排序条件还可以是广告稳定性、资金结算率。
在上述技术方案中，广告稳定性虽然对于收益没有直接影响，但是对于广告展示的质量和用户体验具有重要的意义，有利于互联网广告行业的长远发展。资金结算率是用以评价广告主的指标。将这项指标纳入排序中，可以提高对优质广告主的广告排名。
作为上述方案的改进，所述第二排序条件对新广告采用不同于旧广告的评价条件以使新广告的顺序提前。
在上述技术方案中，根据新广告的特点，对新广告进行评估，并对新广告给予一定的排序优惠，以使新广告具有展示机会。
作为上述方案的改进，所述第二排序条件针对新广告的排序条件有属性条件和随机条件；其中所述属性条件是指新广告自身的定向条件或广告主属性；所述随机条件是指按照等概率的方法对新广告进行随机排序。
在上述技术方案中，属性条件包含广告主信息、定向条件等固定信息。当广告主的其他广告质量较高好时，本广告也会因此获得较好的排名。而当广告定向比较多，又与广告请求较为吻合时，本广告同样会获得较好的排名。而随机条件则针对同一类广告进行随机排序。
作为上述方案的改进，所述等概率的方法包括汤普森算法、随机算法、机器学习算法。
在上述技术方案中，三种算法都是广告排序中可以使用的有效的排序方法，可以根据不同的广告需求选择合适的排序方法。
相应地，本发明还提供了一种广告排序方法，包括如下步骤。
a.使用上述的定向模块根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告。
在本步骤中，服务器通过接收来自渠道商的广告请求信息，筛选出符合要求的广告集，获得初步的广告集合，为后续步骤圈定了范围。
b.使用上述的排序模块根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据。
在本步骤中，根据第一排序条件对上一步骤中筛选出的广告集合的所有广告进行排序，从而实现初步排序，使表现佳的广告获得较好的排名。
c.使用上述的调整模块根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件。
在本步骤中，通过一个或多个第二排序条件对上一步中的排序进行调整，对单一指标中不合理的广告排名进行调整，从而实现优质广告均可以获得较佳的排名。
d.使用上述的发送模块将广告按所述调整模块的排序将广告发送给所述渠道商。
实施本发明，具有如下有益效果。
本发明通过对广告请求和广告主的定向条件的筛选，使得发送的广告都是符合广告主要求的，可以获得较好的展示效果。本发明还通过以广告投放数据为主要的排序方法，使得优质广告可以获得更多的展示机会，从而获得更好的展示效果。本发明还通过第二排序条件对广告排序进行调整，实现了对单一指标排序进行纠正，使得广告收入、效率和广告筛选都可以获得比较好的表现。
附图说明
图1是本发明一种广告排序系统的第一实施例结构示意图。
图2是本发明一种广告排序方法的第一实施例流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示的本发明第一实施例，提供了一种广告排序系统，包括定向模块100、排序模块200、调整模块300和发送模块400；
定向模块100，用于根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告。
具体地说，广告主在投放广告时，会为广告设置一系列的定向条件，包括国家/地区、终端类型、广告类型、广告位置、用户性别等。广告位对于不同的广告目标客户进行展示时，会获得广告目标客户的信息，以和用户的定向条件匹配。在渠道商向系统请求广告时，定向模块100根据渠道商信息筛选出符合广告定向条件的广告。由于渠道商对同一个广告位请求广告时，没有用户信息，所以本实施例筛选出的广告均为广告位相关的信息。因此本实施例在将广告排序发送给渠道商时，需要将广告主为广告设置的定向条件一起发送给渠道，以使渠道在接收到用户的广告请求时，可以按照广告主设置的定向条件人广告排序中选择排序靠前的广告进行出价、展示。定向模块100筛选出的广告包括旧广告和新广告。旧广告是有历史投放数据的广告，新广告是无历史投放数据的广告。旧广告因为具有历史投放数据而变得更容易排序，从而实现对广告效果的评比，而新广告因为没有相关数据的支撑，导致准确的排序变得困难。
排序模块200，用于根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据。
具体地说，排序模块200根据定向模块100筛选出的广告进行排序，其中既有新广告，又有旧广告。排序模块200根据转化数、转化率、收益、价格、预算中的一个进行排序。比如排序模块200以转化率进行排序，则转化率高的广告排名靠前，转化率低的广告排名靠后。而由于新广告没有转化率数据，所以排名在最末。转化率相同的广告的排序随机生成。
调整模块300，用于根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件。
具体地说，第一排序条件中没有使用的指标也可以是所述第二排序条件，比如第一排序条件为转化率，则排序模块200可以使用转化数、收益、价格、预算等进行排序，但不能使用转化率进行重复排序。第二排序条件至少包含一个分段排序条件；其中，所述分段排序条件是指将按该条件将广告分为不同的梯队，并进行梯队排序的指标。不同梯队的间隔为不相等间距。比如排序模块200使用转化数作为分段排序条件，而转化数为0~100,000，则排序模块200可以将转化数分为7个不同的梯队，对应的转化数分别为：0~30,000，30,001~45,500，45,501~70,000，70,001~90,000，90001~97000，97001~99000，99,001~100,000。在上述7个梯队中，每个梯队的数据间隔都不相同。梯队越高，即表现越好的梯队内的广告数量越少。比如转化数为99,001~100,000的第一梯队中共有5个广告，转化数为97001~99000的第二梯队共有100个广告。第一梯队对应的调整后的广告排名在20以内，而在排序模块200中排出的广告排名分别为1，4，10，18，24，则调整模块300会将20名以外的广告调整到排名20，而在该范围内的广告排名不产生变动，所以第一梯队的广告对应的排名调整为1，4，10，18，20。而原有的广告排名20的广告排名调整为21，其后的广告依次向后调整。之后再对第二梯队的广告进行上述调整，直到所有的广告均获得符合要求的排名。
在第二排序条件采用第一排序条件中指标的情况下，还需要采用第一排序条件以外的指标，既最少需要两个第二排序条件。第二排序条件对新广告采用不同于旧广告的评价条件以使新广告的顺序提前。第二排序条件针对新广告的排序条件有属性条件和随机条件；其中所述属性条件是指新广告自身的定向条件或广告主属性；所述随机条件是指按照等概率的方法对新广告进行随机排序。当新广告的定向条件比较多时，会比其他新广告获得更好的排名。当渠道商对广告进行发送时，因为定向条件多的广告排名靠前，因此会优先与定向条件多的广告进行匹配。如果匹配成功，则推荐该广告，如果匹配失败，则推荐之后的广告。如果定向条件多的广告排名低于定向条件少的广告，则很少会有出价机会，从而会表现非常差。另一方面，由于定向条件多的广告要求比较多，定向出的广告目标客户更加精确，所以推广效果理论上更佳，因此给予较好的排名也可以起到提高广告推广效果的作用。
对新广告的等概率的方法包括汤普森算法、随机算法、机器学习算法。汤普森采样的背后原理是beta分布，beta分布具有两个参数a和b。a参数是推荐后用户点击的次数，把b参数是推荐后用户未点击的次数，则汤普森算法过程如下：
1、取出每一个候选对应的参数a和b。2、为每个候选用a和b作为参数，用贝塔分布产生一个随机数。3、按照随机数排序，输出最大值对应的候选。4、观察用户反馈，如果用户点击则将对应候选的a加1，否则b加1。
实际上在推荐系统中，要为每一个用户都保存一套参数，比如候选有m个，用户有n个，那么就要保存2mn个参数。
汤普森算法有效的原因有如下几点。
1）如果一个候选被选中的次数很多，也就是a b很大了，它的分布会很窄，换句话说这个候选的收益已经非常确定了，就是说不管分布中心接近0还是1都几乎比较确定了。用它产生随机数，基本上就在中心位置附近，接近平均收益。
2）如果一个候选不但a b很大，即分布很窄，而且a/(a b)也很大，接近1，那就确定这是个好的候选项，平均收益很好，每次选择很占优势，就进入利用阶段。反之则有可能平均分布比较接近与0，几乎再无出头之日。
3）如果一个候选的a b很小，分布很宽，也就是没有被选择太多次，说明这个候选是好是坏还不太确定，那么分布就是跳跃的，这次可能好，下次就可能坏，也就是还有机会存在，没有完全抛弃。那么用它产生随机数就有可能得到一个较大的随机数，在排序时被优先输出，这就起到了筛选作用。
洗牌算法采用fisher-yatesshuffle算法，其基本思想就是从原始数组中随机取一个之前没取过的数字到新的数组中，具体如下：
1.初始化原始数组和新数组，原始数组长度为n(已知)；2.从还没处理的数组（假如还剩k个）中，随机产生一个[0,k)之间的数字p（假设数组从0开始）；3.从剩下的k个数中把第p个数取出；4.重复步骤2和3直到数字全部取完；5.从步骤3取出的数字序列便是一个打乱了的数列。
机器学习算法采用深度信念网络dbn模型。而受限玻尔兹曼机在玻尔兹曼机中加入了限制，这个限制就是将完全图变成了二分图。即由一个显层和一个隐层构成，显层与隐层的神经元之间为双向全连接。
h表示隐藏层，v表示显层在rbm中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数b（对显层神经元）和c（对隐层神经元）来表示其自身权重。dbn是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对p(observation|label)和p(label|observation)都做了评估，而判别模型仅仅而已评估了后者，也就是p(label|observation)。dbn由多个限制玻尔兹曼机（restrictedboltzmannmachines）层组成，一个典型的神经网络类型如图所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
对于新广告在总体广告排名中的排名，依然采用分梯度的方法。比如，将广告排序中前15视为第一梯队，16-50视为第二梯队，其中，第一梯队中分配5个新广告，第二梯队中分配15个新广告，并且新广告均位于本梯队排名的末位。当新广告的排名与其他排名规则对同一排名产生冲突时，以新广告的排序规则指定的排名为准，而将其他排名指定的广告向前排序。
对于本发明，不同指标的组合会产生不同的排序效果，因此对于指标的选择非常关键。通常以转化结算的广告推广方式的第一排序条件选择转化数或者转化率。而第二排序条件中则选择转化数或者转化率中第一排序条件未选择的另外一个，再辅以其他和新广告排序条件，就可以实现各类优质广告都可以获得较好的排名，从而实现较好的广告推广效果和收入。
发送模块400，用于将广告按所述调整模块的排序将广告发送给所述渠道商。
具体地说，发送模块400会针对每次广告请求发送最新的广告排序。每次渠道商请求广告时，本系统都会重新计算排序，以使广告排序更加准确。排序的指标数据第天更新一次。新广告投放时间在24小时以内时，均视为新广告，其数据不作为排序指标。
相应地，如图2所示，本发明还提供了一种广告排序方法，包括如下步骤。
s001.使用上述的定向模块根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告。
在本步骤中，服务器通过从广告主预先设置好的定向条件中筛选出的广告形成广告集，为后续的广告排序划定了范围。
s002.使用上述的排序模块根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据。
在本步骤中，通过对步骤s001中筛选出的广告按照最关键的效果指标进行排序，可以形成总体质量较好的广告排序，但是依然存在着单一指标排序中存在的不能照顾其他指标、对新广告非常不友好等问题，因此需要进一步地对该排序进行调整。
s003.使用上述的调整模根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件。
在本步骤中，设置一个或多个第二排序条件，将其他指标优秀的广告排在较前的位置，同时，也可以对新广告进行排名保障，使得总体的收入有保障，并可以使质量较佳的广告获得更多的展示机会。另外还对新广告更加友好，使新广告获得更多的展示机会，从而在拥有历史投放数据成为旧广告时，可以获得与该广告质量相匹配的广告排名。
s004.使用上述的发送模块将广告按所述调整模块的排序将广告发送给所述渠道商。
在本步骤中，根据步骤s003的最终排序将广告集合一起发送到渠道商，以供渠道商进行广告的出价、展示等。每个新的广告请求都会触发从步骤s001-s004的重新执行，以获得最新的广告排序。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
1.一种广告排序系统，其特征在于：包括定向模块、排序模块、调整模块和发送模块；
所述定向模块，用于根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告；
所述排序模块，用于根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据；
所述调整模块，用于根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件；
所述发送模块，用于将广告按所述调整模块的排序将广告发送给所述渠道商。
2.如权利要求1所述的一种广告排序系统，其特征在于，所述定向模块筛选出的广告包括旧广告和新广告；其中，旧广告是有历史投放数据的广告，新广告是无历史投放数据的广告。
3.如权利要求1所述的一种广告排序系统，其特征在于，所述第一排序条件是转化数、转化率、收益、价格、预算中的一个。
4.如权利要求1所述的一种广告排序系统，其特征在于，所述第一排序条件也可以是所述第二排序条件，但在对同一次广告排序中所述第一排序条件与所述第二排序条件不相同。
5.如权利要求1所述的一种广告排序系统，其特征在于，所述第二排序条件至少包含一个分段排序条件；其中，所述分段排序条件是指将按该条件将广告分为不同的梯队，并进行梯队排序的指标。
6.如权利要求1所述的一种广告排序系统，其特征在于，所述第二排序条件还可以是广告稳定性、资金结算率。
7.如权利要求1所述的一种广告排序系统，其特征在于，所述第二排序条件对新广告采用不同于旧广告的评价条件以使新广告的顺序提前。
8.如权利要求7所述的一种广告排序系统，其特征在于，所述第二排序条件针对新广告的排序条件有属性条件和随机条件；其中所述属性条件是指新广告自身的定向条件或广告主属性；所述随机条件是指按照等概率的方法对新广告进行随机排序。
9.如权利要求7所述的一种广告排序系统，其特征在于，所述等概率的方法包括汤普森算法、随机算法、机器学习算法。
10.一种广告排序方法，其特征在于，包括：
a.使用如权利要求1-9任一项所述的定向模块根据渠道商提供的信息和广告主设置的定向条件筛选出符合条件的广告；
b.使用如权利要求1-9任一项所述的排序模块根据第一排序条件将所述定向模块筛选出的广告排序；其中，所述第一排序条件是广告投放的效果数据；
c.使用如权利要求1-9任一项所述的调整模块根据第二排序条件对所述排序模块的排序进行调整；其中，所述第二排序条件可以是一个条件，也可以是多个条件；
d.使用如权利要求1-9任一项所述的发送模块将广告按所述调整模块的排序将广告发送给所述渠道商。
技术总结