实时竞价（RTB）模型服务器技术说明文档

第1章：程序化广告生态系统

1.1. 核心参与者与平台

• 广告主（需求方）： 广告主是希望向特定目标受众展示广告以达成营销目标的实体，例如提升品牌知名度、促进产品销售或获取用户注册。他们是需求方平台（DSP）的主要使用者 。

• 媒体（供应方）： 媒体，也称为发布商，是拥有网站或移动应用等数字资产并提供广告库存（即广告位）的所有者。他们的核心目标是通过出售这些广告位来实现收入最大化。他们是供应方平台（SSP）的主要使用者 。

• 需求方平台（Demand-Side Platform, DSP）： DSP是服务于广告主的技术平台，旨在自动化地从多个来源采买广告库存。其核心能力在于能够在极短的时间内（通常小于100毫秒）实时分析单次广告展示机会的价值，并根据广告主设定的标准决定是否竞价以及出价多少 。本文档所描述的RTB模型服务器正是DSP系统的大脑和决策中枢。

• 供应方平台（Supply-Side Platform, SSP）： SSP是服务于媒体的技术平台，旨在自动化地将其广告库存出售给出价最高的买方。它通过连接多个广告交易平台和DSP，帮助媒体方最大化其广告填充率和收益 。

• 广告交易平台（Ad Exchange, AdX）： AdX是一个中立的数字化市场，它如同一个拍卖行，连接着来自众多SSP的广告库存和来自众多DSP的广告预算，促进广告库存的实时买卖 。

1.2. 一次实时广告展示的生命周期

1. 用户访问： 用户通过浏览器访问媒体网站或打开移动应用 。

2. SSP启动： 页面中的广告代码触发媒体方集成的SSP。SSP随即收集关于该用户（通过Cookie或设备ID获取的人口属性、地理位置、浏览历史等）和广告位（尺寸、位置等）的信息 。

3. 竞价请求广播： SSP将包含这些信息的“竞价请求”（Bid Request）发送给一个或多个广告交易平台（AdX）。

4. AdX转发至DSP： AdX接收到竞价请求后，会将其广播给所有与之集成的DSP。这是本文档所讨论的RTB模型服务器的数据入口点 。

5. DSP分析与竞价（服务器核心功能）： 各个DSP的竞价服务器接收到请求，解析其中被称为“竞价流数据”（Bidstream Data）的用户与情境信息 。服务器内部的预测模型会迅速评估这次展示的价值，同时检查广告活动的预算、频次控制等约束条件。如果认为值得竞价，服务器将构建一个“竞价响应”（Bid Response），其中包含出价和广告素材信息，并将其发回AdX。整个过程必须在严格的超时限制内（通常为100毫秒）完成 。

6. 拍卖裁决： AdX收集所有DSP返回的有效出价，进行一次拍卖（通常为“次高价密封拍卖”，即出价最高者获胜，但只需支付第二高的出价金额），并确定获胜者 。

7. 广告投放： 获胜DSP的广告素材通过AdX -> SSP -> 媒体页面的路径回传，并最终在用户的设备上渲染展示 。

第2章：系统架构与数据流

2.1. 竞价服务器的架构定位

• 离线系统： 负责模型训练、广告活动管理和数据报告生成。

• 近实时系统： 负责预算消耗跟踪和用户频次控制数据的更新与查询。

• 在线系统（竞价服务器本身）： 负责在低于100毫秒的严格时限内，完成对单次广告展示机会的评估、决策并返回竞价 。

2.2. 上游数据入口：竞价请求剖析

• 核心对象： 一个典型的竞价请求由多个关键的JSON对象组成，包括：
• imp：描述广告展示机会的细节，如广告位尺寸、类型（横幅、视频、原生）、底价等。
• site / app：描述广告位所在的媒体信息，如网站域名或应用包名、内容分类等。
• device：描述用户设备的信息，如设备类型（手机、PC）、操作系统、地理位置、IP地址等。
• user：描述用户的信息，如用户ID（通常是Cookie ID或移动设备ID）、人口属性（年龄、性别）等 。

• 媒体约束： 请求中还包含了媒体方设定的交易规则，例如：
• bcat：屏蔽的广告主行业类别。
• battr：屏蔽的广告素材属性（如弹窗、自动播放音频等）。
• imp.secure：要求广告素材必须使用HTTPS 。
竞价服务器必须严格遵守这些约束，否则其出价将被视为无效。

• 数据增强： 在收到请求后，DSP通常会利用自有数据或来自数据管理平台（DMP）的数据对其进行增强，以获得更全面的用户画像，从而做出更精准的判断 。

2.3. 下游数据出口：竞价响应的构建

• 核心组件： 响应中必须包含以下几个关键字段：
• price：出价，单位通常是CPM（每千次展示成本）。
• crid：广告素材ID，用于标识具体的广告创意。
• adm：广告素材标记（Ad Markup），即用于渲染广告的HTML/JavaScript代码片段或VAST XML（视频广告标准）。

• 尺寸匹配： 响应中声明的广告素材尺寸必须与竞价请求中提供的可用尺寸之一完全匹配 。

• 追踪URL： 响应中会包含一系列用于追踪和计费的URL，其中最重要的是：
• burl (Billing URL) 或 impression_tracking_url：当广告被成功渲染时，用户的浏览器会调用此URL，用于通知DSP此次展示成功，并作为计费依据。
• 这些URL中通常包含宏（Macros），如 ${AUCTION_PRICE}，广告交易平台在获胜后会用实际的成交价替换这些宏，再进行调用 。

2.4. 拍卖后的反馈闭环

• 竞价成功通知（Win Notification）： 广告交易平台会向获胜的DSP发送一个成功通知，其中通常包含了清算价格（即DSP实际需要支付的价格）。这是进行成本效益分析和利润计算的关键数据。

• 展示信标（Impression Beacon）： 当广告在用户浏览器上被实际渲染出来时，竞价响应中嵌入的burl会被调用。这确认了展示的发生，是广告计费和衡量广告可见性的基础 。

• 点击追踪（Click Tracking）： 如果用户点击了广告，他们会被重定向到DSP的点击追踪服务器。服务器记录下这次点击事件，然后再将用户导向广告主的目标落地页。

• 转化追踪（Conversion Tracking）： 如果用户在点击广告后，在广告主的网站上完成了预设的目标（如购买商品、填写表单），广告主页面上预埋的转化追踪代码（Pixel）会被触发，将转化事件归因于相应的广告活动并回传给DSP。这是衡量许多效果广告活动最终成功的核心指标。

第3章：核心展示价值评估与预测建模

3.1. 展示价值评估原则

3.2. 效果预测模型：pCTR 与 pCVR

• pCTR (predicted Click-Through Rate) 模型： 预测点击率模型。该模型以竞价请求中的海量特征（用户、设备、媒体、情境等信息）作为输入，输出一个概率值，表示在当前情境下，特定用户点击特定广告的可能性。

• pCVR (predicted Conversion Rate) 模型： 预测转化率模型。该模型预测用户在点击广告之后，完成最终转化行为（如购买、注册）的概率。

3.3. 应对冷启动问题

• 利用内容特征： 依赖那些不需要历史互动数据的特征，例如广告素材的文本描述、媒体网站的内容分类、用户的基本人口属性等。

• 生成式嵌入： 采用先进技术（如扩散模型）为新项目生成一个“预热”的嵌入向量。例如，一个新款跑鞋广告的嵌入可以基于其“体育用品”的属性，被初始化在其他运动服饰广告嵌入向量的附近，从而获得一个合理的起点 。

• 探索-利用（Explore-Exploit）算法： 在初期，系统性地分配一小部分预算，采用探索性策略（如“上置信界”算法 - UCB）对新项目进行竞价，以快速收集性能数据。一旦积累了足够的数据，再切换到基于模型预测的“利用”策略。

3.4. 从预测到出价：竞价计算公式

第4章：高级竞价策略与优化

4.1. 统一异构出价：eCPM 的作用

• eCPM换算公式：
• 从CPC出价换算：eCPMCPC=CPC出价×pCTR×1000
• 从CPA目标换算：eCPMCPA=目标CPA×pCVR×pCTR×1000

4.2. 目标导向型竞价 I：优化点击成本 (oCPC)

• 工作机制： 系统利用其pCTR模型来识别那些具有高点击可能性的展示机会。对于高pCTR的流量，系统会提高出价以增加竞得概率；而对于低pCTR的流量，则会降低出价甚至不出价。其优化的目标是控制大量点击的平均成本，而非单次点击的成本 。oCPC策略通常需要一个“学习期”，在此期间系统会收集足够的点击和转化数据（例如，至少50次转化），以构建一个可靠的预测模型，之后才能稳定地进行优化 。

4.3. 目标导向型竞价 II：优化千次展示成本 (OCPM)

• 工作机制： 尽管计费方式仍然是基于展示（CPM），但系统的出价逻辑完全由预测的转化价值驱动。对于一个被模型判断为极有可能转化的用户，系统会非常激进地出高价；而对于转化可能性低的用户，则出价极低。这种策略能够将广告预算更高效地用于刀刃上，最大化转化次数，是效果导向型广告的终极形态 。OCPM策略尤其适用于拥有大量用户数据、能够支撑精准转化预测的平台和广告主。

第5章：广告活动执行与约束管理

5.1. 算法化预算调控

• 常用算法：
• 流量节流（Throttling）： 这是一种简单的方法，竞价服务器按照一个动态计算的比例，随机地放弃参与一部分拍卖，从而减缓花费速度 。
• PID控制器（Proportional-Integral-Derivative Controller）： 这是一种源于控制系统工程的更高级方法。系统会设定一条理想的“预算消耗曲线”（例如，一条直线），并持续将实际消耗与之对比。根据两者之间的误差（偏差）、误差的累积（积分）和误差的变化率（微分），PID控制器会动态调整一个全局的出价乘数，从而使实际消耗曲线能紧密跟随理想曲线。这是工业界广泛采用且行之有效的方法 。
• 非线性/自适应控制： 这是最复杂的调控方法。系统利用模型预测未来的流量成本和可用性，然后主动地解决一个优化问题，将预算在不同时间段（例如，流量高峰期和低谷期）之间进行非均匀但最优的分配，以期在预算约束下最大化广告效果 。

5.2. 用户曝光管理：频次与新近度控制

• 技术实现：
• 用户识别： 依赖于一个稳定的用户标识符，如Cookie ID或移动设备广告ID（IDFA/GAID）。
• 数据存储： 需要一个极低延迟的键值（Key-Value）数据库，如Redis或Aerospike，供竞价服务器在收到请求时实时查询。数据库的键是用户ID，值则是一个记录该用户对不同广告活动/素材的展示次数和时间戳的数据结构。
• 实时检查： 在评估一个竞价请求时，服务器首先会查询这个数据库。如果发现针对该用户和当前候选广告的频次上限已达到，则会立即中止对该广告的后续竞价流程。

第6章：附录

A.1. 广告技术术语表

• RTB (Real-Time Bidding): 实时竞价。一种程序化广告交易方式，对每一次广告展示都进行实时拍卖。

• DSP (Demand-Side Platform): 需求方平台。服务于广告主，用于自动化采买广告库存的软件平台。

• SSP (Supply-Side Platform): 供应方平台。服务于媒体，用于自动化售卖广告库存的软件平台。

• AdX (Ad Exchange): 广告交易平台。连接DSP和SSP，提供广告库存实时交易的市场。

• CPM (Cost Per Mille): 每千次展示成本。一种计费模式，按广告展示1000次计费。

• CPC (Cost Per Click): 每次点击成本。一种计费模式，按广告被点击的次数计费。

• CPA (Cost Per Acquisition/Action): 每次转化/行动成本。一种计费模式，按用户完成特定行为（如购买、注册）的次数计费。

• eCPM (Effective Cost Per Mille): 有效千次展示成本。用于将不同计费模式（如CPC, CPA）的收入或成本统一换算成等价的千次展示成本，以便比较和优化。

• CTR (Click-Through Rate): 点击率。广告被点击的次数占其总展示次数的百分比。

• CVR (Conversion Rate): 转化率。完成转化的用户数占点击广告用户数的百分比。

• oCPC (Optimized Cost Per Click): 优化点击成本。一种以最大化点击量为目标，同时控制平均点击成本的智能出价策略。

• OCPM (Optimized Cost Per Mille): 优化千次展示成本。一种以最大化转化量为目标的智能出价策略，尽管计费基础仍是展示。

• OpenRTB: 一种由IAB Tech Lab制定的、用于规范RTB生态中各平台间通信（如竞价请求和响应）的开放协议标准。

A.2. 关键竞价请求/响应字段参考