实时竞价(RTB)在广告需求方平台(DSP)程序化购买广告中占很大比重,目前越来越多的广告商了解并愿意采用RTB的方式投放在线广告,媒体也愿意通过这种方式将长尾流量的广告位售卖出去。在搜索广告、合约广告等在线广告占大部分比重的环境中,RTB从广告位售卖的方式中跳出来,引入受众购买的模式,在正确的时间里把正确的广告投放给正确的受众,从而使得这种具有公共竞价拍卖机制的广告能够在在线广告市场中占据一席之地。广告商利用DSP平台的技术手段,能够接收广告交易平台发送过来的竞价请求,并从中利用页面信息及用户cookie作为精准投放的依据,同时由于RTB是一种公共拍卖的广告售卖方式,因此会有多家DSP共同竞拍,每家DSP都会用自己的算法计算出价,整个市场竞争会很激烈,在投放回报率(ROI)方面又充满着博弈。本文介绍RTB的生态系统及其整个工作流程,并对RTB的特点和竞拍模式有相关描述,并对其算法进行深入研究。本文主要研究的是实时竞价算法,其中包括两个主要内容,点击率预测和竞价策略。在点击率预测中采用两种预测方法,一种是在搜索广告中较为常用的逻辑回归(Logistic Regression)方法,其中特征属性和因变量均采用二值表示。另一种是可以处理非线性变量的梯度提升决策树(Gradient Boost Decision Tree),特征属性采用连续值,然后分别对这两种预测性能结果进行对比。本文在竞价策略上提出了固定竞价、分组竞价和综合竞价,综合竞价中着重对竞价函数进行了数学推导,并通过训练数据调整函数参数,最后分别对这三种竞价的结果做了评估。本文中进行试验的数据集是由品友互动在2013年的全球实时竞价算法大赛中提供的,数据具有真实性,由于目前很少有DSP公司愿意提供这些内部数据,该数据集对竞价算法的研究起到一定的帮助作用。试验结果表明本文提出的综合竞价方式的结果(关键绩效指标,KPI)优于另外两种竞价方式。