技術分享 | Hulu視頻廣告系統中的算法應用

視頻廣告系統中的算法應用

分享人:Shulei

2020.11.7

引言

2020年11月7日清華大學計算機系、AI Time、學堂在線聯合主辦了智能技術與系統博論的活動。此次活動邀請了Hulu的Shulei進行技術分享。

付費訂閱用戶和廣告是Hulu營收的主要來源，而利用數據和算法更好地服務用戶和廣告商並增加Hulu在廣告上的收入則是廣告策略團隊的核心追求。本次分享以《Hulu視頻廣告系統中的算法應用》爲主題，對Hulu的廣告系統和相關算法應用進行了簡單的介紹。

Hulu的廣告業務主要以品牌廣告爲主，基於每千次展示計費，廣告主更關注廣告觸及用戶數量，頻次，以及對品牌認知度的提升。同時Hulu廣告的來源包括合約廣告和競價廣告，其中合約廣告以保量合約廣告佔多數，指的是廣告主與Hulu提前簽訂了指定定向規則、時間週期和廣告曝光量的合約，Hulu若無法完成則需賠償。競價廣告則是用戶日益增長後爲了充分利用Hulu廣告流量引入的新形式，通過與SSP平臺合作，允許受邀請的廣告主通過私有市場競價的方式獲得Hulu的廣告位進行展示。

一個典型的廣告生命週期包括兩個大的階段，分別爲廣告銷售和計劃階段以及廣告投放和結算階段。具體來看又包括了四個流程：

1. 首先是銷售人員確定廣告主需求並通過廣告定向系統提供相應的定向以實現精準投放，過程中涉及各種定向算法，這裏列舉出部分；

2. 然後需要通過訂單管理系統和廣告主確認可以投放的曝光量、價格和投放週期。其中最重要的就是用來預測未來庫存量的庫存預估算法以及輔助廣告商決策的觸達和頻次預測，以及針對不同價值訂單的動態定價。

3.接着進入核心的廣告在線投放平臺進行投放，並通過在線庫存分配算法進行決策

4.最後需要對廣告投放進行實時監控並在訂單結束後進行結算，這部分涉及到流量的反作弊和廣告效果的歸因分析等算法。

本次分享主要選取了不同方向的三個算法進行介紹，分別是追劇預測、庫存預估以及在線庫存分配。

追劇預測是針對Hulu新推出的序列廣告形式Binge Ad而設計的特殊的定向規則，主要用於識別有較大概率連續觀看同一部劇三集以上的追劇狂熱者。算法經歷了三個版本的改進，從最初離線基於用戶進行預測，到考慮用戶近線和實時特徵的情況下基於線上廣告請求進行預測，再到利用CNN對用戶近線觀看序列進行建模，模型的效果得到了穩步提升。

隨後介紹了用於庫存預估的時間序列預測模型Prophet以及相關改進。Prophet模型由Facebook在2017年提出，主要通過將觀測序列分解爲趨勢、週期性、節假日三部分因素，各自通過不同函數形式建模，並求解觀測序列的最優擬合曲線來得到對未來流量的預測。該模型有很好的可解釋性，圖中展示的分別是趨勢，年週期性，節假日以及週週期性的擬合結果。同時在實際應用模型的過程中我們也碰到一些問題並通過兩個改進方案較好地解決了。

最後介紹了廣告投放中的核心算法——在線庫存分配。在線庫存分配算法決定了每個廣告請求分配給哪個廣告，在廣告系統中有着舉足輕重的作用。這也是一個廣告界的經典問題，通常建模成二部圖匹配。考慮到二部圖匹配求解複雜度高，且難以靈活滿足業務上的複雜需求，我們組使用了基於PID Controller實時動態分配的在線投放算法，通過自動化控制理論中的經典模型PID Controller來動態調節每個廣告對應的係數並指導廣告投放。其後更對基本模型進行了改造，用來滿足增加競價廣告提升收益以及增加廣告相關性提升用戶廣告體驗的需求。詳細內容也在Hulu沙龍|AI技術實踐應用專場（點擊「閱讀原文」可直達該文章）的視頻廣告系統的多因素投放算法部分進行了介紹，歡迎感興趣的同學關注。

廣告領域的算法技術百花齊放，這裏分享的只是其中很小的一部分，Hulu未來也會在廣告產品和技術上不斷鑽研探索，期望帶給用戶更好的體驗。

長按關注Hulu

獲取更多技術分享動態

↓ 點擊「閱讀原文」

直達Hulu沙龍|AI技術實踐應用專場