顧智宇，秦濤，王斌

（1.中國(guó)科學(xué)院計(jì)算技術(shù)研究所，北京100190；2.中國(guó)科學(xué)院大學(xué)，北京100190；3.微軟亞洲研究院，北京100080）

1 引言

互聯(lián)網(wǎng)廣告（Internet Advertising）是一個(gè)潛力巨大、發(fā)展迅速的市場(chǎng)。2011年全球互聯(lián)網(wǎng)廣告市場(chǎng)規(guī)模達(dá)700億美元以上，并以年均10%以上增長(zhǎng)速度發(fā)展①Online Advertising Spending Worldwide，eMarketer，June 2011.。而且，隨著互聯(lián)網(wǎng)廣告形式與互聯(lián)網(wǎng)廣告技術(shù)的發(fā)展，互聯(lián)網(wǎng)廣告的潛力不斷得到挖掘，傳統(tǒng)廣告中更大比重的份額在向互聯(lián)網(wǎng)廣告轉(zhuǎn)移。當(dāng)前在互聯(lián)網(wǎng)廣告中，存在如表1所示的三種不同的廣告方式。

表1 主要廣告方式

基于展示的廣告（CPM廣告）是較早出現(xiàn)的互聯(lián)網(wǎng)廣告，廣告商在展示時(shí)以固定價(jià)格pfix付費(fèi)；隨后出現(xiàn)的基于點(diǎn)擊的廣告（CPC廣告）則是在廣告被點(diǎn)擊時(shí)付費(fèi)，付費(fèi)一般通過(guò)競(jìng)價(jià)決定［1－2］；基于轉(zhuǎn)化的廣告（CPA廣告）是近年來(lái)出現(xiàn)的廣告方式［3］，廣告商按用戶因?yàn)g覽廣告而產(chǎn)生的行動(dòng)或通稱(chēng)為轉(zhuǎn)化（conversion）來(lái)付費(fèi)，其中轉(zhuǎn)化行為包括用戶付費(fèi)購(gòu)買(mǎi)、將商品放入購(gòu)物車(chē)、填寫(xiě)注冊(cè)表單、進(jìn)一步查詢商品信息等各種行為，它意味著廣告轉(zhuǎn)化成了廣告商的實(shí)際收益。上述行為一般通過(guò)安裝在廣告商的商品頁(yè)面上的腳本來(lái)統(tǒng)計(jì)。

CPA廣告方式相對(duì)于前兩種廣告方式有明顯的優(yōu)勢(shì)。首先CPA是對(duì)廣告效果的最直接衡量。在CPC廣告中，廣告商需要根據(jù)商品不斷變動(dòng)的實(shí)際銷(xiāo)售情況對(duì)每次點(diǎn)擊所帶來(lái)的收益進(jìn)行估計(jì)，在此基礎(chǔ)上再估計(jì)每個(gè)關(guān)鍵字的價(jià)值以進(jìn)行正確的競(jìng)價(jià)。而在搜索廣告中，大廣告商往往需要購(gòu)買(mǎi)上千個(gè)關(guān)鍵字，此時(shí)很難準(zhǔn)確對(duì)每個(gè)關(guān)鍵字的點(diǎn)擊價(jià)值進(jìn)行估價(jià)。相對(duì)地，由于CPA廣告更接近商品銷(xiāo)售的最終階段，廣告商可以更容易、更準(zhǔn)確計(jì)算每份廣告費(fèi)用所產(chǎn)生的收益，從而更好地計(jì)算投資回報(bào)率，減少了廣告投資的風(fēng)險(xiǎn)?；ヂ?lián)網(wǎng)廣告的中小廣告商比傳統(tǒng)廣告中更多，由于資金規(guī)模較小，他們對(duì)投資的風(fēng)險(xiǎn)更為敏感，因此他們樂(lè)于采用CPA收費(fèi)方式［4］，CPA廣告對(duì)互聯(lián)網(wǎng)廣告的發(fā)展更為有利。其次，CPA廣告可以鼓勵(lì)發(fā)布商和廣告商提高廣告的可信度、著陸頁(yè)的質(zhì)量以及商品銷(xiāo)售環(huán)節(jié)的服務(wù)，使得用戶的體驗(yàn)更好。而且，可以更好地解決互聯(lián)網(wǎng)廣告中廣泛存在的點(diǎn)擊欺詐問(wèn)題。點(diǎn)擊欺詐偽造用戶對(duì)廣告的點(diǎn)擊以達(dá)到增加收入或損害對(duì)手的目的，它對(duì)CPC廣告產(chǎn)生破壞性的作用［5－6］。但對(duì)于CPA廣告，由于按實(shí)際發(fā)生的轉(zhuǎn)化行動(dòng)收費(fèi)，使得點(diǎn)擊欺詐的代價(jià)變高，實(shí)際上使其變得不可行。

由于上述優(yōu)點(diǎn)，CPA廣告獲得了越來(lái)越多的應(yīng)用?；ヂ?lián)網(wǎng)廣告的主流從CPM廣告向CPC廣告轉(zhuǎn)移后，現(xiàn)在進(jìn)一步地有從CPC廣告向CPA廣告轉(zhuǎn)移的趨勢(shì)?，F(xiàn)在在互聯(lián)網(wǎng)廣告中CPA廣告主要有以下幾種類(lèi)型：（1）以Amazon為代表的銷(xiāo)售收益分成的聯(lián)盟營(yíng)銷(xiāo)模式①Amazon associates.https：／／affiliate－program.amazon.com／.；（2）采用CPA方式的廣告聯(lián)盟，如SNAP、Advertising.com等；（3）轉(zhuǎn)向CPA方式的搜索引擎提供商，例如，Google從2007年開(kāi)始在AdWords中提供按轉(zhuǎn)化付費(fèi)的功能［7］，而Yahoo通過(guò)子公司Right Media Exchange提供CPA廣告服務(wù)，Bing搜索引擎雖然還未提供CPA廣告，但也開(kāi)始向廣告商提供腳本以追蹤點(diǎn)擊后的轉(zhuǎn)化。

本文的內(nèi)容主要分以下幾個(gè)部分。首先在第二部分對(duì)互聯(lián)網(wǎng)廣告的形式、CPA廣告以及其優(yōu)缺點(diǎn)進(jìn)行說(shuō)明；第三部分中總結(jié)現(xiàn)階段學(xué)術(shù)界對(duì)CPA廣告、轉(zhuǎn)化率開(kāi)展的研究；第四部分對(duì)目前存在的問(wèn)題進(jìn)行分析，并提出可能的研究方向；在最后一部分進(jìn)行總結(jié)。

2 互聯(lián)網(wǎng)廣告系統(tǒng)

從形式上互聯(lián)網(wǎng)廣告分為搜索廣告（Sponsored Search）、上下文廣告（Contextual Advertising）、展示廣告（Display Advertising）等。下面以搜索廣告為例說(shuō)明互聯(lián)網(wǎng)廣告系統(tǒng)的運(yùn)作。搜索廣告系統(tǒng)主要由三個(gè)角色組成：廣告商、搜索引擎用戶、搜索引擎。廣告商在搜索引擎上登記廣告，將廣告關(guān)聯(lián)到關(guān)鍵字上并出價(jià)，當(dāng)用戶進(jìn)行搜索時(shí)，搜索引擎向用戶展示廣告。

廣告可用五元組｛Title，Creative，Landing－Page，Keywords，Bid｝表示，其中Title和Creative分別是廣告展示時(shí)的標(biāo)題和描述文本，LandingPage為點(diǎn)擊廣告后到達(dá)的著陸頁(yè)，Keywords是廣告商指定的、用于觸發(fā)該廣告的關(guān)鍵字序列。Bid為廣告商對(duì)出價(jià)。實(shí)際中｛Title，Creative，LandingPag｝與｛Keywords，Bid｝是多對(duì)多的關(guān)系，即廣告商對(duì)關(guān)鍵字的出價(jià)可關(guān)聯(lián)到多組廣告，每個(gè)廣告可有多個(gè)出價(jià)，在此為了簡(jiǎn)化，將上述每對(duì)關(guān)系等同于一個(gè)廣告的五元組定義。在搜索廣告中要解決的基本問(wèn)題是：當(dāng)用戶U利用搜索引擎給定查詢Q進(jìn)行查詢時(shí)，從廣告庫(kù)中選擇廣告序列｛A1，A2，A3，…，An｝進(jìn)行展示并收費(fèi)，以使得搜索引擎期望收益最大化。在實(shí)際的搜索廣告系統(tǒng)中其流程一般包括如下步驟。

（1）關(guān)鍵字匹配。搜索引擎從廣告庫(kù)中選擇關(guān)鍵字與查詢Q相匹配的廣告A。廣告商可指定如下幾種匹配的一種或多種［8］：

精確匹配：Keywords（A）＝＝Q

短語(yǔ)匹配：Keyw ords（A）＝＝substring（Q）

寬泛匹配：Keywords（A）?Q

除了上述基于廣告關(guān)鍵字的匹配方法之外，為了提高相關(guān)廣告的召回率，現(xiàn)在搜索引擎中普遍提供基于下述相關(guān)度得分的高級(jí)匹配（Advance Match）方式。

圖1 搜索廣告系統(tǒng)流程圖

（2）相關(guān)度計(jì)算。通過(guò)計(jì)算查詢與廣告相關(guān)度，可匹配更多的廣告，并可過(guò)濾不相關(guān)廣告。例如，在計(jì)算相關(guān)度得分時(shí)，可將廣告的文本包括Keywords、Title、Creative等看作檢索文檔庫(kù)中的文檔，使用向量空間模型計(jì)算［9］，如式（1）所示。

其中wia、wiq分別是查詢Q和廣告A在向量空間中各詞項(xiàng)的權(quán)值，可為T(mén)F－IDF等。此外，文獻(xiàn)［10］中提出基于語(yǔ)言模型來(lái)計(jì)算廣告與查詢的相關(guān)度如式（2）所示。

其中ti是查詢A的各詞項(xiàng)，p （ti｜A）和p （ti）分別基于詞項(xiàng)在廣告和廣告庫(kù)中的TF來(lái)計(jì)算，并且p （ti｜A）使用Dirichlet平滑以克服廣告文本較短的問(wèn)題。該方法效果比向量空間模型更好，并且由于它是概率模型，易于與當(dāng)前基于概率的檢索模型結(jié)合。

根據(jù)相關(guān)度得分，搜索引擎可以匹配更多相關(guān)廣告，提高召回率，并濾去相關(guān)度過(guò)低的廣告。

（3）點(diǎn)擊率／轉(zhuǎn)化率估計(jì)。對(duì)過(guò)濾后的廣告集合，搜索引擎估計(jì)每個(gè)廣告的點(diǎn)擊率（CPC廣告）或轉(zhuǎn)化率（CPA廣告），從而決定廣告的排序。點(diǎn)擊率CTR（Click－Through Rate）定義為廣告點(diǎn)擊次數(shù)與展示次數(shù)之比，如式（3）所示。

對(duì)于一次廣告展示可估計(jì)用戶點(diǎn)擊廣告的概率作為點(diǎn)擊率的估計(jì)值。類(lèi)似地，轉(zhuǎn)化率CVR（Conversion Rate）定義為廣告轉(zhuǎn)化次數(shù)與展示次數(shù)之比，如式（4）所示。

利用歷史點(diǎn)擊率／轉(zhuǎn)化率、相關(guān)度、用戶信息、查詢意圖等作為特征對(duì)CTR或CVR進(jìn)行建模，從而可進(jìn)行估計(jì)，其細(xì)節(jié)在下一部分說(shuō)明。搜索引擎利用CTR或CVR對(duì)廣告進(jìn)一步過(guò)濾，并用于下一步的排序中。

（4）廣告排序。廣告的排序方式由搜索廣告系統(tǒng)采用的關(guān)鍵字競(jìng)價(jià)機(jī)制的分配策略決定。當(dāng)前廣泛采用的廣義二價(jià)（Generalized Second Price，GSP）拍賣(mài)機(jī)制［2］中，搜索引擎用廣告商的出價(jià)和點(diǎn)擊率計(jì)算廣告的排序分?jǐn)?shù)，如式（5）所示。

而在CPA廣告中可用CVR代替上式的CTR。

（5）廣告定價(jià)。關(guān)鍵字競(jìng)價(jià)機(jī)制的收費(fèi)策略決定了廣告的收費(fèi)。在GSP中廣告Ai的CPC收費(fèi)為排名在其下一位的廣告Ai＋1的出價(jià)Bid（Ai＋1），或點(diǎn)擊率下的加權(quán)，如式（6）所示。

該方式激勵(lì)廣告商改進(jìn)其廣告以提高點(diǎn)擊率，使得搜索引擎同時(shí)獲益。

3 CPA廣告的研究現(xiàn)狀

3.1 競(jìng)價(jià)與收費(fèi)機(jī)制設(shè)計(jì)

上述廣告的排序方式又稱(chēng)為分配策略，定價(jià)方式又稱(chēng)為收費(fèi)策略，兩者一起構(gòu)成了廣告的競(jìng)價(jià)機(jī)制。競(jìng)價(jià)機(jī)制由于直接與搜索引擎的效益相關(guān)，因此是搜索廣告的核心研究方向之一。它屬于博弈論分支的拍賣(mài)理論［11］的范疇，廣告位為拍賣(mài)物品，搜索引擎為拍賣(mài)人，廣告商為競(jìng)買(mǎi)人。拍賣(mài)人和競(jìng)買(mǎi)人的目標(biāo)都是追求收益最大化。物品對(duì)每個(gè)競(jìng)買(mǎi)人i具有不同的效用ui，競(jìng)買(mǎi)人的出價(jià)總是小于或等于ui，而ui最高的競(jìng)買(mǎi)人的效用umax即為拍賣(mài)人的收益上限。拍賣(mài)人可通過(guò)推測(cè)各競(jìng)買(mǎi)人的效用ui來(lái)估計(jì)umax，并使物品定價(jià)或者競(jìng)買(mǎi)人出價(jià)接近umax來(lái)獲得最大收益。

一個(gè)良好的競(jìng)價(jià)機(jī)制具有激勵(lì)競(jìng)買(mǎi)人的誠(chéng)實(shí)性（Truthfulness）的性質(zhì)，在該性質(zhì)下，當(dāng)每個(gè)競(jìng)買(mǎi)人i誠(chéng)實(shí)地按照物品對(duì)自己的效用ui進(jìn)行出價(jià)時(shí)可形成納什均衡，此時(shí)任一競(jìng)買(mǎi)人都不會(huì)因單獨(dú)改變其出價(jià)而增加收益，從而達(dá)到穩(wěn)定狀態(tài)。由于具有誠(chéng)實(shí)性的機(jī)制下競(jìng)買(mǎi)人的出價(jià)等于其效用，搜索引擎可簡(jiǎn)單地估計(jì)出umax即最大可能出價(jià)從而實(shí)現(xiàn)最大收益。但現(xiàn)在廣泛使用的GSP機(jī)制并不具有誠(chéng)實(shí)性。

因此，文獻(xiàn)［12］針對(duì)CPA方式設(shè)計(jì)了一種具有誠(chéng)實(shí)性的競(jìng)價(jià)機(jī)制?？紤]到搜索引擎競(jìng)價(jià)是一個(gè)反復(fù)的過(guò)程，該機(jī)制采用了重復(fù)拍賣(mài)的模型。在每一個(gè)階段t，以概率η（t）將物品隨機(jī)分配，以概率1－η（t）分配給效用估計(jì)值最高的競(jìng)買(mǎi)人。對(duì)競(jìng)買(mǎi)人i，定義uit為在階段t的真實(shí)效用，pit為在階段t的對(duì)i的收費(fèi)，為機(jī)制在階段T對(duì)uit的估計(jì)值。在每個(gè)階段的結(jié)束，競(jìng)買(mǎi)人i報(bào)告物品對(duì)其的效用rit。其分配策略與收費(fèi)策略的算法如下：

則可證明，在該機(jī)制有漸進(jìn)的誠(chéng)實(shí)性，拍賣(mài)人的漸進(jìn)收益并不顯著地低于最大收益。

另外，與CPC方式中發(fā)布商的點(diǎn)擊欺詐類(lèi)似，在CPA中存在廣告商可能會(huì)利用技術(shù)手段繞過(guò)在頁(yè)面中植入的統(tǒng)計(jì)腳本來(lái)達(dá)到隱瞞轉(zhuǎn)化量、減少付費(fèi)的目的的問(wèn)題。為解決該問(wèn)題，文獻(xiàn)［13］基于文獻(xiàn)［14］的防止點(diǎn)擊欺詐的方法，提出了從機(jī)制上去除廣告商的作弊激勵(lì)因素的解決方法。該方法混合了CPC和CPA，將廣告在展示出價(jià)和轉(zhuǎn)化出價(jià)分別記為bm和ba，分配策略為：當(dāng)bm＋CVR×ba＞p，將廣告位分配給該廣告，其中p為閾值。而收費(fèi)策略如式（10）、（11）所示。

其中pm和pa分別是對(duì)該廣告每次展示和轉(zhuǎn)化的收費(fèi)。該工作證明了轉(zhuǎn)化率CVR的估計(jì)函數(shù)滿足如下形式時(shí)，廣告商隱瞞轉(zhuǎn)化量不會(huì)帶來(lái)顯著的收益，如式（12）所示。

其中i表示第i展示，ti表示展示的時(shí)間，ai表示到到第i次展示為止廣告商報(bào)告的轉(zhuǎn)化量，xi是第i次展示是否發(fā)生轉(zhuǎn)化的指示變量，而δ（ti，i，ai）是對(duì)于ti，i，ai都遞減的函數(shù)。

作為從CPC到CPA過(guò)渡的機(jī)制，文獻(xiàn)［15］在保留基于CPC的收費(fèi)策略的基礎(chǔ)上提出了根據(jù)CPA排序的分配策略。其思想是：轉(zhuǎn)化隱含了點(diǎn)擊，因?yàn)轭A(yù)測(cè)發(fā)生轉(zhuǎn)化的廣告應(yīng)該比預(yù)測(cè)僅發(fā)生點(diǎn)擊而不發(fā)生轉(zhuǎn)化的廣告靠前。在匹配返回的廣告集合中，定義轉(zhuǎn)化的集合為N，點(diǎn)擊的集合為C，展示的廣告集合為I，因?yàn)辄c(diǎn)擊是轉(zhuǎn)化的前提，展示是點(diǎn)擊的前提，故有N?C?I。在使用各特征對(duì)廣告進(jìn)行排序時(shí)，為了確保排序的結(jié)果滿足N?C?I，使用了有序回歸的方法來(lái)對(duì)廣告集合進(jìn)行排序。通過(guò)在線實(shí)驗(yàn)表明，該方法能夠在保持較好的點(diǎn)擊率的同時(shí)，顯著地提高了轉(zhuǎn)化率。

與上述工作相對(duì)，文獻(xiàn)［16］則在保留基于CPC的分配策略基礎(chǔ)上改進(jìn)了收費(fèi)策略。其動(dòng)機(jī)是，由于高級(jí)匹配不按關(guān)鍵字匹配，查詢關(guān)鍵字與廣告中出價(jià)的關(guān)鍵字不一致，不應(yīng)該利用該出價(jià)來(lái)競(jìng)價(jià)和收費(fèi)，否則可能會(huì)導(dǎo)致廣告商的損失。針對(duì)該問(wèn)題，文獻(xiàn)［16］中將轉(zhuǎn)化率作為廣告效果的衡量，利用轉(zhuǎn)化率適當(dāng)?shù)亟档透呒?jí)匹配的廣告的出價(jià)，以使得收費(fèi)更為合理。假定廣告商期望同一廣告的匹配到不同關(guān)鍵字下的CPA相等，如式（13）所示。

KeywordAM是高級(jí)匹配下廣告被匹配到的關(guān)鍵字，因此通過(guò)分別估計(jì)Keyword和KeywordAM的轉(zhuǎn)化率，可得到高級(jí)匹配下出價(jià)調(diào)整的公式為式（14）。

3.2 轉(zhuǎn)化率預(yù)測(cè)

在檢索系統(tǒng)或者基于點(diǎn)擊的廣告系統(tǒng)中，存在著點(diǎn)擊率預(yù)測(cè)的研究問(wèn)題，即給定當(dāng)前用戶的查詢，預(yù)測(cè)文檔或候選廣告被點(diǎn)擊的概率。該問(wèn)題目前已有較成熟的工作，可作為轉(zhuǎn)化率預(yù)測(cè)的借鑒。點(diǎn)擊率預(yù)測(cè)的方法可分為兩類(lèi)，一類(lèi)是以用戶或會(huì)話（session）為中心，使用生成式模型描述影響用戶行為的因素，一般得到一個(gè)點(diǎn)擊模型（click model）［17－19］，另一類(lèi)以文檔或廣告為中心，將包含每次查詢中影響其點(diǎn)擊的因素作為特征，采用回歸或分類(lèi)的方法來(lái)預(yù)測(cè)［20－24］。在此類(lèi)方法首先抽取廣告、查詢、用戶等的一系列特征，例如，

· 廣告特征：標(biāo)題、描述文本、著陸頁(yè)、類(lèi)別、出價(jià)等

·廣告結(jié)構(gòu)特征：廣告、廣告組、廣告活動(dòng)、廣告商的層次關(guān)系

·查詢特征：查詢?cè)~及其擴(kuò)展

·廣告與查詢的相似度

· 用戶信息：性別、年齡、地理位置等，廣告點(diǎn)擊歷史，搜索歷史

·時(shí)間信息：一周中的日期，一天中的時(shí)間

基于這些特征對(duì)點(diǎn)擊行為進(jìn)行建模，例如，在文獻(xiàn)［23］中使用Logistic回歸來(lái)預(yù)測(cè)點(diǎn)擊率，而文獻(xiàn)［24］使用了Probit回歸。

上述工作可作為轉(zhuǎn)化率預(yù)測(cè)的基礎(chǔ)。然而轉(zhuǎn)化率的值比點(diǎn)擊率低了兩個(gè)以上數(shù)量級(jí)，轉(zhuǎn)化率的數(shù)值可達(dá)到5%以上，而點(diǎn)擊率的數(shù)值約0.03%，因而帶來(lái)了顯著的數(shù)據(jù)稀疏性問(wèn)題。并且，廣告轉(zhuǎn)化量分布中長(zhǎng)尾部分的廣告的轉(zhuǎn)化事件更為稀少，進(jìn)一步給估計(jì)帶來(lái)了困難。在文獻(xiàn)［25］中通過(guò)利用層次結(jié)構(gòu)上的聚合來(lái)解決該問(wèn)題，針對(duì)在廣告中存在從廣告商、廣告活動(dòng)（Ad Campaign）到廣告等從高到低的預(yù)定義層次樹(shù)結(jié)構(gòu)，該方法首先將層次樹(shù)的路徑z上的轉(zhuǎn)化率分解成兩個(gè)因子，如式（15）所示。

其中bz是基礎(chǔ)轉(zhuǎn)化率，可通過(guò)類(lèi)似點(diǎn)擊率預(yù)測(cè)的回歸模型求出。λz是僅由z決定的路徑修正因子，表示層次樹(shù)路徑對(duì)轉(zhuǎn)化率的影響。進(jìn)而為每個(gè)節(jié)點(diǎn)定義一個(gè)狀態(tài)變量φ，將λz表達(dá)為路徑上每個(gè)節(jié)點(diǎn)的狀態(tài)變量的乘積，如式（16）所示。

并且令φ的先驗(yàn)分布π為Dirac分布與Gamma分布的混合，如式（17）所示。

該先驗(yàn)被稱(chēng)為spike and slab先驗(yàn)，其中有概率P使φ＝1，表示不對(duì)基礎(chǔ)轉(zhuǎn)化率bz產(chǎn)生影響。由于兩個(gè)有共同祖先的節(jié)點(diǎn)的路徑修正因子中共同包含祖先的狀態(tài)變量，因此可以通過(guò)“關(guān)閉”數(shù)據(jù)缺失的節(jié)點(diǎn)的狀態(tài)變量，而依靠別的路徑估計(jì)出來(lái)的祖先節(jié)點(diǎn)的狀態(tài)變量來(lái)計(jì)算該路徑的修正因子。在預(yù)先求出bz的基礎(chǔ)上，通過(guò)最大后驗(yàn)估計(jì)即可求得各φi以及參數(shù)a，P。

在上述工作之外，當(dāng)前針對(duì)轉(zhuǎn)化率的工作主要集中在對(duì)影響轉(zhuǎn)化率的各因素進(jìn)行經(jīng)驗(yàn)型的分析。其中，文獻(xiàn)［26］以旅店廣告為對(duì)象，分析了廣告的關(guān)鍵字對(duì)轉(zhuǎn)化率的影響，來(lái)幫助廣告商在廣告活動(dòng)中選擇關(guān)鍵字。該工作證明不同的關(guān)鍵字對(duì)轉(zhuǎn)化率有關(guān)鍵性的影響。

著陸頁(yè)是引發(fā)用戶采取行動(dòng)、產(chǎn)生轉(zhuǎn)化的地方，因此文獻(xiàn)［27］著眼于分析著陸頁(yè)對(duì)轉(zhuǎn)化率的影響。他們首先對(duì)從Yahoo搜索廣告中獲取的廣告的著陸頁(yè)進(jìn)行統(tǒng)計(jì)和分析，發(fā)現(xiàn)88%以上的著陸頁(yè)屬于三種類(lèi)型：（1）廣告商主頁(yè)；（2）搜索轉(zhuǎn)移（Search Transfer）；（3）分類(lèi)瀏覽。他們發(fā)現(xiàn)，由于轉(zhuǎn)化率的定義不同，三種著陸頁(yè)類(lèi)型的廣告的轉(zhuǎn)化率差異較大，不能直接比較。因此，他們分別對(duì)每個(gè)類(lèi)型，利用從瀏覽器Toolbar獲取的數(shù)據(jù)分析類(lèi)型中轉(zhuǎn)化率與查詢性質(zhì)的關(guān)系。他們發(fā)現(xiàn)，對(duì)于出現(xiàn)頻率越低的查詢，類(lèi)型（1）的轉(zhuǎn)化率越高，而類(lèi)型（2）和（3）的轉(zhuǎn)化率越低。他們認(rèn)為這是由于（2）和（3）比較難以與罕見(jiàn)查詢準(zhǔn)確匹配。此外還發(fā)現(xiàn)隨著查詢長(zhǎng)度的提高，類(lèi)型（1）和（2）的轉(zhuǎn)化率有所提高。而隨著查詢的競(jìng)價(jià)越高，三種類(lèi)型的查詢的轉(zhuǎn)化率都有明顯提高，這表明了即使在CPC廣告中，廣告商也仍會(huì)根據(jù)轉(zhuǎn)化率決定關(guān)鍵字的價(jià)格。

為了衡量各因素對(duì)轉(zhuǎn)化率的影響的大小，文獻(xiàn)［28］中把搜索廣告的查詢長(zhǎng)度、查詢中是否包含特定關(guān)鍵字、廣告排名作為變量，建立回歸模型以計(jì)算各變量在決定轉(zhuǎn)化率時(shí)的權(quán)重。他們使用某大型網(wǎng)絡(luò)零售商在Google的搜索廣告中的數(shù)據(jù)，利用貝葉斯方法對(duì)模型的參數(shù)進(jìn)行了估計(jì)。結(jié)果表明，“查詢中包含品牌名”該特征對(duì)轉(zhuǎn)化率有顯著的貢獻(xiàn)，而查詢長(zhǎng)度、“查詢中包含零售商名”等特征對(duì)轉(zhuǎn)化率沒(méi)有顯著的影響。

3.3 廣告的選擇與排序

在對(duì)廣告進(jìn)行排序之前，需要從廣告庫(kù)中選擇與查詢匹配的廣告。以往一般考慮查詢與廣告關(guān)鍵字的匹配，以及查詢與廣告文本的匹配。而在文獻(xiàn)［29］中進(jìn)一步地從廣告的著陸頁(yè)中提取有用的文字，來(lái)計(jì)算與查詢的相似度。著陸頁(yè)作為廣告的有機(jī)部分，對(duì)廣告的結(jié)果有重要的影響，該工作啟示我們可以合理地利用廣告的著陸頁(yè)來(lái)幫助轉(zhuǎn)化率的預(yù)測(cè)以及幫助廣告的排序。

4 研究問(wèn)題與思考

在互聯(lián)網(wǎng)廣告中有廣告匹配、競(jìng)價(jià)機(jī)制、廣告排序、點(diǎn)擊率／轉(zhuǎn)化率預(yù)測(cè)、個(gè)性化廣告、用戶定向（User Targeting）等多個(gè)研究方向。由于CPA廣告的研究剛剛興起，現(xiàn)階段僅在競(jìng)價(jià)機(jī)制和點(diǎn)擊率／轉(zhuǎn)化率預(yù)測(cè)等方向上有部分研究工作。CPA廣告在商業(yè)應(yīng)用中得到穩(wěn)步發(fā)展的同時(shí)，也帶來(lái)了很多研究的機(jī)會(huì)。

4.1 機(jī)制設(shè)計(jì)的問(wèn)題

CPA廣告的首要問(wèn)題是對(duì)不同定義的轉(zhuǎn)化的統(tǒng)一處理。與CPC廣告中明確定義的點(diǎn)擊相比，CPA廣告的轉(zhuǎn)化包括了多種可由廣告商定義的形式，每種形式的轉(zhuǎn)化率和收益有很大差別。因此在設(shè)計(jì)CPA廣告機(jī)制中必須考慮能夠覆蓋各種轉(zhuǎn)化形式并實(shí)現(xiàn)公平競(jìng)爭(zhēng)以及有效地對(duì)不同收益的轉(zhuǎn)化進(jìn)行收費(fèi)。

CPC方式向CPA方式轉(zhuǎn)化需要一個(gè)較長(zhǎng)的過(guò)程，且由于CPC方式可能更適合某些類(lèi)型廣告商，因此愿意使用CPC方式和CPA方式的廣告商將會(huì)在很長(zhǎng)一段時(shí)間內(nèi)并存，所以現(xiàn)有的互聯(lián)網(wǎng)廣告系統(tǒng)，尤其是搜索廣告系統(tǒng)，需要提供一個(gè)同時(shí)滿足偏好CPC方式的廣告商和偏好CPA方式的廣告商的平臺(tái)，在該平臺(tái)上，所有的廣告商都能夠平等地競(jìng)價(jià)，并使得廣告發(fā)布商和廣告商都能得到合理的收益。因此，我們需要設(shè)計(jì)一種混合機(jī)制，可選地對(duì)點(diǎn)擊或轉(zhuǎn)化進(jìn)行收費(fèi)，并將點(diǎn)擊率和轉(zhuǎn)化率統(tǒng)一到同一個(gè)質(zhì)量因子對(duì)廣告進(jìn)行排序。以往已經(jīng)有針對(duì)結(jié)合CPM方式和CPC方式的混合模型［30］，但設(shè)計(jì)CPC方式與CPA方式的混合模型尚有待完成。

由于轉(zhuǎn)化可以由廣告商自行定義，當(dāng)簡(jiǎn)單地將各廣告商定義的各種不同的轉(zhuǎn)化行動(dòng)同一地處理時(shí)，會(huì)給廣告商故意扭曲出價(jià)以獲得收益的動(dòng)機(jī)［31］。例如，廣告商可以定義一種實(shí)際上無(wú)法發(fā)生的轉(zhuǎn)化，然后對(duì)其關(guān)聯(lián)的廣告報(bào)以高于對(duì)手的價(jià)格，則可在不付出代價(jià)的條件下打壓對(duì)手的廣告。該問(wèn)題可通過(guò)人工審核避免，但能否從機(jī)制上合理地處理各種不同定義的轉(zhuǎn)化，自動(dòng)地消除廣告商的作弊動(dòng)機(jī)，也值得研究和探索。

4.2 轉(zhuǎn)化率預(yù)測(cè)的問(wèn)題

相對(duì)于點(diǎn)擊率預(yù)測(cè)，轉(zhuǎn)化率預(yù)測(cè)的工作尚未成熟，其中存在更多的挑戰(zhàn)。首先，存在數(shù)據(jù)高度稀疏與不平衡問(wèn)題。相對(duì)于百分之幾的廣告點(diǎn)擊率，廣告轉(zhuǎn)化率往往在萬(wàn)分之幾，相對(duì)于未轉(zhuǎn)化樣例，轉(zhuǎn)化樣例極為稀少；此外，影響轉(zhuǎn)化率的因素眾多，可能包括查詢特性、用戶特征、用戶訪問(wèn)與點(diǎn)擊歷史、廣告特征、著陸頁(yè)特征等，因此，在建模時(shí)面對(duì)的是高維度的稀疏數(shù)據(jù)。其次，轉(zhuǎn)化比點(diǎn)擊所依賴的因素更多，用戶點(diǎn)擊一個(gè)廣告，很大程度僅取決于當(dāng)前的查詢與廣告的相關(guān)性，因此以往預(yù)測(cè)點(diǎn)擊率的工作一般是利用查詢、廣告關(guān)鍵字、廣告文字、用戶歷史數(shù)據(jù)等作為特征，可以得到較好的結(jié)果，但用戶在點(diǎn)擊后是否決定購(gòu)買(mǎi)，則可能和廣告商的信譽(yù)、商品的質(zhì)量、商品熱門(mén)程度、商品是否符合用戶的需求、著陸頁(yè)的設(shè)計(jì)（非計(jì)算因素）等更多因素相關(guān)，因此需要更復(fù)雜、更多維度的模型，甚至需要借助經(jīng)濟(jì)學(xué)的知識(shí)來(lái)解決。

除了歷史數(shù)據(jù)以外，轉(zhuǎn)化率很大程度上與當(dāng)前搜索引擎使用者的興趣、查詢意圖等相關(guān)。例如在文獻(xiàn)［32］中對(duì)用戶搜索時(shí)的行為進(jìn)行建模，來(lái)對(duì)兩種搜索意圖“尋找”和“購(gòu)買(mǎi)”進(jìn)行分類(lèi)。利用該工作，我們可以更好地對(duì)轉(zhuǎn)化率進(jìn)行預(yù)測(cè)。

4.3 其他問(wèn)題

對(duì)于廣告投資的風(fēng)險(xiǎn)，文獻(xiàn)［33］認(rèn)為應(yīng)該由發(fā)布商和廣告商共同承擔(dān)。他們從經(jīng)濟(jì)學(xué)角度對(duì)發(fā)布商和廣告商的付出和效用進(jìn)行分析和建模，以同時(shí)使用CPC與CPA的方式為基礎(chǔ)，計(jì)算出雙方的最優(yōu)合約，使得雙方可以同時(shí)承擔(dān)廣告因不確定性因素而帶來(lái)的風(fēng)險(xiǎn)。其模型可以靈活調(diào)整，當(dāng)商品銷(xiāo)量比較平穩(wěn)、可預(yù)測(cè)時(shí)，可增大CPA的比重，雙方同時(shí)分享收益，而當(dāng)商品銷(xiāo)售的不確定性增大時(shí)，則增加CPC的比重，雙方分擔(dān)風(fēng)險(xiǎn)。

利用轉(zhuǎn)化數(shù)據(jù)，可以更好地解決傳統(tǒng)地利用點(diǎn)擊解決的問(wèn)題。例如，對(duì)于根據(jù)用戶性質(zhì)展示廣告內(nèi)容的用戶定向問(wèn)題，以往是根據(jù)用戶點(diǎn)擊的歷史來(lái)進(jìn)行定向，而如果利用用戶購(gòu)買(mǎi)的歷史進(jìn)行定向，可能會(huì)達(dá)到更好的效果。實(shí)際上業(yè)界已經(jīng)開(kāi)始使用基于轉(zhuǎn)化的定向，此外，例如，文獻(xiàn)［34］中提出的是否展示廣告的問(wèn)題，如果能根據(jù)預(yù)測(cè)的轉(zhuǎn)化率來(lái)決定，也可能獲得更好的效果。

5 總結(jié)

本文介紹了基于轉(zhuǎn)化（CPA）的互聯(lián)網(wǎng)廣告方式及其應(yīng)用與研究，相對(duì)于傳統(tǒng)廣告以及主流的基于點(diǎn)擊（CPC）的廣告方式，它具有更便于衡量廣告效果、風(fēng)險(xiǎn)更小、可防止點(diǎn)擊欺詐、有助于提高廣告質(zhì)量和用戶體驗(yàn)等優(yōu)點(diǎn)。該領(lǐng)域的研究方興未艾，在其機(jī)制設(shè)計(jì)、轉(zhuǎn)化率預(yù)測(cè)以及個(gè)性化、用戶定向等方向上具有廣闊的研究前景。

［1］ Varian H.Position auctions［J］.International Journal of Industrial Organization，2007，25（6）：1163－1178.

［2］ Edelman B，Ostrovsky M，Schwarz M.Internet advertising and the generalized second price auction：Selling billions of dollars worth of keywords［R］.The A－merican Economic Review，2005.

［3］ Group E.Online advertising：Pay per sale［J］.The E－conomist，2005，10：110－111.

［4］ Michael Peterson K K，Grone F，Kirscheneder J.Performance－Based Advertising Models Extending the Principles of Profit－Driven Marketing［M］.2007.

［5］ Mitchell D.Click fraud and halli－bloggers［N］.New York Times，2005，July.

［6］ Penenberg A.Click fraud threatens web［N］.Wired News，2004，October.

［7］ Helft M.Google Tests an Ad Idea：Pay Only for Results［N］.New York Times，2007，March.

［8］ Yahoo.Yahoo！Search Marketing［OL］.http：／／www.yahoosearchmarketingsea.com.

［9］ Broder A，Ciccolo P，F(xiàn)ontoura M，et al.Search advertising using web relevance feedback［C］／／Proceeding of the 17th ACM conference on Information and knowledge management.2008：1013－1022.

［10］ Raghavan H，Iyer R.Probabilistic first pass retrieval for search advertising：From theory to practice［C］／／Proceedings of the 19th ACM international conference on Information and knowledge management.2010：1019－1028.

［11］ Krishna V.Auction theory［M］.Academic press，2009.

［12］ Nazerzadeh H，Saberi A，Vohra R.Dynamic costper－action mechanisms and applications to online advertising［C］／／Proceeding of the 17th international conference on World Wide Web.2008：179－188.

［13］ Mahdian M，Tomak K.Pay－per－action model for online advertising［C］／／Proceedings of the 1st international workshop on Data mining and audience intelligence for advertising.2007：1－6.

［14］ Immorlica N，Jain K，Mahdian M，et al.Click fraud resistant methods for learning click－through rates［J］.Internet and Network Economics，2005：34－45.

［15］ Bagherjeiran A，Hatch A，Ratnaparkhi A.Ranking for the conversion funnel［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：146－153.

［16］ Rey B，Kannan A.Conversion rate based bid adjustment for sponsored search［C］／／Proceedings of the 19th international conference on World wide web.2010：1173－1174.

［17］ Xu W，Manavoglu E，Cantu－Paz E.Temporal click model for sponsored search［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：106－113.

［18］ Joachims T，Granka L，Pan B，et al.Accurately interpreting clickthrough data as implicit feedback［C］／／Proceedings of the 28th annual international ACM SIGIR conference on Research and development in information retrieval.2005：154－161.

［19］ Agichtein E，Brill E，Dumais S.Improving web search ranking by incorporating user behavior infor－mation［C］／／Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval.2006：19－26.

［20］ Ciaramita M，Murdock V，Plachouras V.Online learning from click data for sponsored search［C］／／Proceeding of the 17th international conference on World Wide Web.2008：227－236.

［21］ Richardson M，Dominowska E，Ragno R.Predicting clicks：estimating the click－through rate for new ads［C］／／Proceedings of the 16th international conference on World Wide Web.2007：521－530.

［22］ Shaparenko B，?etin?，Iyer R.Data－driven text features for sponsored search click prediction［C］／／Proceedings of the Third International Workshop on Data Mining and Audience Intelligence for Advertising.2009：46－54.

［23］ Hillard D，Manavoglu E，Raghavan H，et al.The sum of its parts：reducing sparsity in click estimation with query segments［J］.Information Retrieval，2011：1－22.

［24］ Graepel T，Candela J，Borchert T，et al.Web－scale Bayesian click－through rate prediction for sponsored search advertising in Microsoft's Bing search engine［C］／／Proceedings of the Twenty－Seventh International Conference on Machine Learning（ICML－10）.2010：13－20.

［25］ Kota N，Agarwal D.Temporal multi－h(huán)ierarchy smoothing for estimating rates of rare events［C］／／Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining.2011：1361－1369.

［26］ Rutz O，Bucklin R.A model of individual keyword performance in paid search advertising［OL］.2007.http：／／papers.ssrn.com／sol3／papers.cfm？abstract id＝1024765.

［27］ Becker H，Broder A，Gabrilovich E，et al.What happens after an ad click？：quantifying the impact of landing pages in web advertising［C］／／Proceeding of the 18th ACM conference on Information and knowledge management.2009：57－66.

［28］ Ghose A，Yang S.An empirical analysis of sponsored search performance in search engine advertising［C］／／Proceedings of the international conference on Web search and web data mining.2008：241－250.

［29］ Choi Y，F(xiàn)ontoura M，Gabrilovich E，et al.Using landing pages for sponsored search ad selection［C］／／Proceedings of the 19th international conference on World wide web.2010：251－260.

［30］ Zhu Y，Wilbur K.Hybrid Advertising Auctions［J］.Marketing Science，2011，30（2）：249－273.

［31］ Agarwal N，Athey S，Yang D.Skewed bidding in pay－per－action auctions for online advertising［J］.American Economic Review Papers and Proceedings.2009，99：441－447.

［32］ Guo Q，Agichtein E.Ready to buy or just browsing？：detecting web searcher goals from interaction data［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：130－137.

［33］ Hu Y，Shin J，Tang Z.Pricing of Online Advertising：Cost－Per－Click－Through Vs.Cost－Per－Action［C］／／Proceedings of System Sciences（HICSS），2010 43rd Hawaii International Conference.2010：1－9.

［34］ Broder A，Ciaramita M，F(xiàn)ontoura M，et al.To swing or not to swing：Learning when（not）to advertise［C］／／Proceeding of the 17th ACM conference on Information and knowledge management.2008：1003－1012.