Selection and Ordering of Linear Online Video Ads
论文提出了一种为在线播放的流媒体选择广告的算法。
根据广告的价格和质量来分配广告,防止用户因为广告太难看而退出视频。
一个视频有三个部分可以插播广告,pre-roll、mid-roll、post-roll。
如图所示,统计发现用户看了位置j处的广告还继续看视频的 Completion Rate 在preroll是83%,在midroll由92%递减到postroll的19%
有N个广告要放到J个slot
第i个广告的CPM为b_i,并且至少要放
ti
次。这两个值由厂商决定。
用户看完第i个广告以后继续看视频的概率为
ci
,即因为广告太难看而关掉视频的概率为
1−ci
,这个值由统计得到。
在作者的模型里,作者假设
- 每个视频以一个前置的广告开始,以一个后置的广告结束,中间有一个或多个广告
- 广告不可以跳过
- 每个slot里只有一个广告
- 用户看完广告还想继续看视频的概率为 ci
- 每个slot有一个slot-specifc continuation probabilities ( λj )
表示表示广告i放在位置j时的continuation probalities和CPM。
论文中先假设slot-specifc probability λj线性递减,得到了一个动态规划算法。
之后又假设λj 从pre-roll到第一个mid-roll时增加,之后再递减。(如图1所示)
然后得到了一个接近最优的启发式算法。
动态规划:
状态转移方程
其中R[i,j]表示广告i+1到N已经放置在slot j+1到J中,而第i个广告放到位置j时的最大收益。
S[i,j]=1说明广告i放在了位置j上。
启发式算法分两步
第一步,解决子问题,利用mid-poll中的单调性。
第二部,找到适合pre-roll和post-roll的最佳广告。
考虑mid-poll中的子问题。
可以用之前的动态规划解决。
- 设广告全集为N,解集为A={a2,a3…aj-1}
- 用{N-A}再一次求解,解集为A’={a’2,a’3…a’j-1}
枚举a∈N,如果a∈A,在集合N-A’-{a}中找到最优的aj,选择广告{a,a’2,a’3…a’j-1,aj},计算收益Ra
如果a∈A’,在集合N-A-{a}中找到最优的aj,选择广告{a,a2,a3…aj-1,aj},计算收益Ra
从所有的结果中选择最大的收益R
结论
这是一个为在线视频分配广告的算法。
广告的价格和展现次数由广告主提供。
ad continuation rates 和 slot-specifc continuation rates由大数据统计得到。
采用本算法将会获得更多的收益,更少的观众流失。