开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

admob奖励的视频不工作或真实id它只在测试id上有效

AdMob是一款由Google开发的移动广告平台，旨在帮助开发者通过在应用程序中展示广告来实现盈利。AdMob提供了多种广告格式，包括横幅广告、插页式广告和奖励视频广告。

针对你提到的问题，"AdMob奖励的视频不工作或真实ID，它只在测试ID上有效"，可能有以下几个原因和解决方法：

测试模式：AdMob提供了测试广告ID，用于在开发和测试阶段验证广告功能。这些测试ID不会产生真实的广告，而是用于模拟广告展示。因此，如果你使用的是测试ID，那么奖励视频广告将不会产生真实的奖励。确保在发布应用之前，将测试ID替换为真实的广告ID。
广告填充率：广告填充率是指广告库存中可用广告的比例。如果广告填充率较低，可能会导致奖励视频广告无法正常展示。这可能是由于广告库存不足或广告请求与目标受众不匹配所致。在这种情况下，建议优化应用的受众定位和广告请求设置，以提高广告填充率。
广告请求错误：在应用中集成AdMob时，确保正确处理广告请求和展示的各个阶段。检查应用中的代码，确保正确初始化AdMob SDK，并在适当的时机请求和展示奖励视频广告。如果存在错误，可能会导致广告无法正常工作。
广告格式和展示设置：确保正确配置奖励视频广告的格式和展示设置。例如，检查广告加载的位置和时机是否正确，以及广告展示的方式是否符合AdMob的规定。

总结起来，如果AdMob奖励视频广告不工作或只在测试ID上有效，你可以检查是否使用了测试ID、广告填充率是否足够、广告请求和展示是否正确处理，以及广告格式和展示设置是否正确配置。如果问题仍然存在，建议查阅AdMob的官方文档和开发者社区，寻求更详细的解决方案。

腾讯云相关产品和产品介绍链接地址：

腾讯广告：https://cloud.tencent.com/product/ads
腾讯移动广告联盟：https://cloud.tencent.com/product/tgma

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

关于广告

一、如何学习Android android开发(这里不提platform和底层驱动)你需要对Java有个良好的基础，一般我们用Eclipse作为开发工具。对于过多的具体知识详细介绍我这里不展开，我只说我个人的学习方法和本人以为的好的步骤。 1.搭建环境:包括对Java和Eclipse及模拟器(有真机再好不过)的熟悉，对于android的tools和adb命令可以放到后面熟悉了解。 2.从helloworld开始:了解一个基本的android应用代码包含哪些，各部分做什么用。（这里只要先了解个大概就好） 3.activity、intent：了解activity是什么及其生命周期，intent是什么东西及它是基于消息机制。 4.掌握基础：这阶段你可以反复的修改及单步调试一个简单的程序，并学会logcat、单步调试、最基本的View、最简单的布局、进而对service、intentFilter等的熟悉（以上4步骤推荐看深入浅出Google_Android.pdf这个电子书就够了） 5.接下来就得动手了：开始做应用吧，不要问写什么应用，写你自己想的，你认为难度不至于太难的应用(别告诉我你现在就要做3D游戏，要做小鸟之类的)，这个时期你基本不要教学的视频和android的书籍，最好的帮手有3个SDK目录下的doc（$ANDROID_HOME$\docs\reference\index.html）、百度及google、破解工具（apktool、dex2jar、jd-gui，可以提取目标apk的资源及反编译源代码，这里反编译不是为了干坏事，而是从别人那里学习技术，你并不能完全的得到一个好的破解代码，但你可以通过代码片段来获取信息学习或者进行搜索从而学到各种技术），这个阶段你就要多看别人的代码多动手了，你要开始熟悉和使用android的类库。循环这步，直到你不在做android吧。

04

groovy 定义map_groovy map

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至举报，一经查实，本站将立刻删除。

03

【iOS开发】在 App 中加入 AdMob 广告 - 入门介绍与编程技巧

前言

虽然在App中加入广告来盈利是比较低级的商业化方式，但对于个人开发者或者小团队开发者来说，做出一个简单易用的免费小工具（举个栗子），在里面加入一些广告，如果用的人多，也是可以带来一些可观的收入的。用户没有掏钱，得到了方便，开发者也得到了回报：）

03

谷歌机器人迈入「交互语言」新纪元！开放命令正确率高达93.5%，开源数据量提升十倍

注意看，眼前的这个男人正在对着一个机器人不断发出自然语言指令，如「把绿色的星推到红色块之间」、「把蓝色的方块移动到左下角」，机器人对每一次输入的指令都可以实时完成。

03

Android游戏引擎_2d游戏引擎

简介：AndEngine 基于libGDX框架开发，使用OpenGL ES进行图形绘制。同时继承了BOX2D物理引擎，因此能实现一些较为复杂的物理效果。在Rokon停止更新以后，AndEngine 成为Android 最为流行的2D游戏引擎

01

Mimir：通过AI向所有人提供视频服务

据思科公司的一项调查显示：到2022年，视频将占到所有消费者互联网流量的82%以上，比2017年增长了15倍。现在人们随时随地都可以观看视频，比如在家使用Wi-Fi、在手机上、在火车上，在城市里和山间；晚饭后，全家人一起在网上观看视频，或者当孩子们熟睡以后，在凌晨三点观看视频。这些网络条件的多样性给在线视频流带来了前所未有的挑战。

02

OpenAI联手DeepMind发布增强学习新突破，最佳奖励函数可智能化生成（附论文）

大数据文摘作品，转载要求见文末作者 | DARIO AMODEI 编译 | 姜范波今早，OpenAI发布最新论文，称通过与DeepMind的安全团队合作，开发了一种算法，通过告诉算法两种行为中哪种更好，算法即可自动推断人类的真实需要。后台回复“反馈”2字，获取相关论文资源。构建安全AI系统的一个步骤是消除对人类编写目标函数的需求，因为对复杂目标使用简单的代理，或对复杂的目标定义有点错误，就可能导致不可预测甚至危险的行为。OpenAI在与DeepMind的安全团队合作下，开发了一种算法，通过告诉算法两

03

WWW 2023｜快手：通过强化学习提升用户留存

机器之心专栏机器之心编辑部短视频推荐系统的核心目标是通过提升用户留存，牵引 DAU 增长。因此留存是各APP的核心业务优化指标之一。然而留存是用户和系统多次交互后的长期反馈，很难分解到单个 item 或者单个 list，因此传统的 point-wise 和 list-wise 模型难以直接优化留存。强化学习（RL）方法通过和环境交互的方式优化长期奖励，适合直接优化用户留存。该工作将留存优化问题建模成一个无穷视野请求粒度的马尔科夫决策过程（MDP），用户每次请求推荐系统决策一个动作（action），用于

03

AI取代人类从网购/刷短视频开始！CMU发布多模态Web Agent基准，让大模型冲浪比你还溜

近日，来自卡内基梅隆大学（CMU）的研究人员发布了一个评估多模态Web代理性能的基准测试。

01

DeepMind发表Nature子刊新论文：连接多巴胺与元强化学习的新方法

作者：Jane Wang、Zeb Kurth-Nelson、Matt Botvinick 机器之心编译上周，DeepMind 在 Nature 发表论文，用 AI 复现大脑的导航功能。今天，DeepMind 在 Nature Neuroscience 发表新论文，该研究中他们根据神经科学中的多巴胺学习模型的局限，强调了多巴胺在大脑最重要的智能区域即前额叶皮质发挥的整体作用，并据此提出了一种新型的元强化学习证明。DeepMind 期望该研究能推动神经科学自 AI 研究的启发。近期，AI 系统已经掌握多种

03

厉害了，Google 大神每天写多少行代码？

Google 的 AdMob 全栈工程师 Raymond Farias 在 Quora 发表评论表示：“我的同事最近和我分享了一组调查研究数据，一名高效的工程师每天能写100-150 行代码，我嘲笑了他，并表示这项预估值绝对要比实际值低很多。”

02

吴恩达《ML Yearning》| 在不同的数据分布上训练及测设&Debug的一些推断算法

MachineLearning YearningSharing 是北京科技大学“机器学习研讨小组”旗下的文献翻译项目，其原文由Deep Learning.ai 公司的吴恩达博士进行撰写。本部分文献翻译工作旨在研讨小组内部交流，内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！

01

DeepMind发表Nature子刊新论文：连接多巴胺与元强化学习的新方法

近期，AI 系统已经掌握多种视频游戏（例如 Atari 的经典游戏 Breakout 和 Pong）的玩法。虽然其表现令人印象深刻，但 AI 仍然依赖于数千小时的游戏经验才能达到并超越人类玩家的表现。而人类仅需数分钟就可以掌握视频游戏的基本玩法。

03

William Wang：语言与视觉研究的未来—多语种与真实环境下的导航与推理

本文报告主要介绍语言与视觉领域的探索以及未来，主要是真实环境下的导航与推理以及多语种任务，包括了视觉与语言在深度结合时的难点问题和目前的研究进展，以及研究团队在这些问题上的研究工作，以及对于语言与视觉跟机器交互等多模态融合方面未来研究趋势的展望。

04

变革尚未成功：深度强化学习研究的短期悲观与长期乐观

选自alexirpan 机器之心编译参与：Nurhachu Null、刘晓坤深度强化学习是最接近于通用人工智能（AGI）的范式之一。不幸的是，迄今为止这种方法还不能真正地奏效。在本文中，作者将为我们解释深度强化学习没有成功的原因，介绍成功的典型案例，并指出让深度强化学习奏效的方法和研究方向。本文所引文献大多数来自于 Berkeley、Google Brain、DeepMind 以及 OpenAI 过去几年的工作，因为它们更容易获得。我难免遗漏了一些比较古老的文献和其他研究机构的工作，我表示很抱歉——毕

06

白话讲解最佳论文提名: 如何在推荐场景中缓解离线强化学习带来的马太效应

TLDR：本篇将介绍如何在真实推荐决策场景上进行建模，介绍离线强化学习的工作流程，并指出其在推荐中造成的一个普遍问题：马太效应（强者越强，弱者越弱）。最后介绍我们如何用直观的方式来缓解马太效应。文章的最后会讲一些题外话。

05

通过评估假设行为来学习人类目标

当我们在现实世界中训练强化学习（RL）代理时，我们不会希望它们探索不安全的状态，例如将一个移动机器人开进沟里，或者向老板发送一封很尴尬的电子邮件。

03

UC伯克利 NIPS2018 Spotlight论文：依靠视觉想象力的多任务强化学习

AI 科技评论按：NIPS 2018 的录用论文近期已经陆续揭开面纱，强化学习毫不意外地仍然是其中一大热门的研究领域。来自加州大学伯克利分校人工智能实验室（BAIR）的研究人员分享了他们获得了 NIPS 2018 spotlight 的研究成果：Visual Reinforcement Learning with Imagined Goals。他们提出了一种只需要图片即可进行视觉监督的强化学习方法，使得机器人能够自主设定目标，并学习达到该目标。下面是 AI 科技评论对该博客的部分编译。

03

MMsys'24 | 基于离线强化学习的实时流媒体带宽精确预测

近年来，实时通信（RTC）已成为一项重要的通信技术，并得到了广泛的应用，包括低延迟直播，视频会议和云游戏。RTC 系统的首要目标是提供高质量的视频和音频并确保稳定的通信过程（例如，避免卡顿、视频模糊）。为了实现这一目标，现有的 RTC 系统（如 WebRTC）基于动态的网络条件预测链路带宽并自适应地调整传输视频质量。主流的带宽预测方法可以分为两类: 启发式算法和机器学习算法。常用的启发式带宽预测算法有 WebRTC 框架中的Google拥塞控制（GCC）。GCC主要通过监测链路的往返时间（RTT）变化来预测带宽。虽然 GCC 展示了其主动避免拥塞的高灵敏度，但现实世界RTC流的复杂性和可变性可能会干扰 GCC 的准确性。而机器学习方案包括在线强化学习与模仿学习，不仅具有很高的训练成本，同时一般基于模拟的网络环境进行训练，往往在真实世界中鲁棒性较差。因此本文提出了一类低成本，高泛化性能的离线训练模型以优化各种网络环境中的用户体验质量（QoE）。

01

论文精读|4th|Deepmind新作|附下载|Solving Sparse Reward Tasks

作者：Martin Riedmiller 、 Roland Hafner 、 Thomas Lampe等

01

悬赏1000万美元，打假AI换脸！Facebook发起Deepfakes检测挑战赛

Facebook宣布了一项名为Deepfake Detection Challenge（DFDC）的挑战赛，壕掷1000万美元，悬赏能够最好地检测出利用Deepfake技术制造的假视频。

02

深度强化学习首次在无监督视频摘要生成问题中的应用：实现state-of-the-art效果

【导读】近日，针对视频摘要自动生成中大多数方法均为多阶段建模的问题，来自中国科学院、伦敦大学玛丽皇后学院的学者发表论文提出基于深度强化学习的无监督视频摘要方法。其方法在一个端到端的强化学习框架下，利用一个新的奖励函数对视频摘要的多样性和代表性进行综合考虑，生成的视频摘要不依赖标签或用户交互。在训练期间，本文设计了新颖的奖励函数以判断生成摘要的多样性和代表性。本文在两个基准数据集上进行了大量实验，结果表明，本文提出的的无监督方法不仅超越了其他先进的无监督方法，甚至超过了大多数已发表的有监督方法。论文链接：h

05

Atari 游戏得分提升两个数量级：Uber AI 的新强化学习算法。

近期，Uber AI 研究院提出了一种新的强化学习算法 Go-Explore ，它的目标是克服当前热门的好奇心（内在奖励）大类方法尚未克服的遗忘和重复探索问题。他们也在极具挑战的 Atari 游戏「蒙特祖玛的复仇」和「Pitfall」中实验了算法，取得了好几个数量级的表现提升。雷锋网 AI 科技评论介绍如下。

00

Atari 游戏得分提升两个数量级：Uber AI 的新强化学习算法 Go-Explore

AI 科技评论按：近期，Uber AI 研究院提出了一种新的强化学习算法 Go-Explore ，它的目标是克服当前热门的好奇心（内在奖励）大类方法尚未克服的遗忘和重复探索问题。他们也在极具挑战的 Atari 游戏「蒙特祖玛的复仇」和「Pitfall」中实验了算法，取得了好几个数量级的表现提升。雷锋网 AI 科技评论介绍如下。

02

NIPS 2018 | Spotlight论文：凭借幻想的目标进行视觉强化学习

我们想构建一个能够在复杂的非结构化环境中完成任意目标的智能体，例如可以做家务的机器人。一种有前景的方法是使用深度强化学习，这是一种用于教授智能体最大化奖励函数的强大框架。然而，典型的强化学习范例一般需要手动设计奖励函数来训练智能体解决独立任务。

02

你为什么学不好web安全？

工信部于19年发布文件中明确提出，2025年要培育形成一批营收20亿元以上的网络安全企业，且截至2019年11月底，国内上市的网络安全企业达到了23家，有100多家创投机构在网络安全领域进行投资布局……

01

商汤科技发布迄今最大人脸检测数据集，绝杀Deepfake

近日，发表于Venturebeat的一篇文章称，商汤科技研究院与新加坡南洋理工大学合作设计了迄今为止最大的人脸伪造检测数据集——DeeperForensics-1.0。

01

ChatGPT/InstructGPT详解

来源：京东云海豚数据科学实验室本文约7000字，建议阅读15分钟要搞懂ChatGPT，我们必须要先读懂InstructGPT。前言 GPT系列是OpenAI的一系列预训练文章，GPT的全称是Generative Pre-Trained Transformer，顾名思义，GPT的目的就是通过Transformer为基础模型，使用预训练技术得到通用的文本模型。目前已经公布论文的有文本预训练GPT-1，GPT-2，GPT-3，以及图像预训练iGPT。据传还未发布的GPT-4是一个多模态模型。最近非常火的Cha

【重磅】无监督学习生成式对抗网络突破，OpenAI 5大项目落地

【新智元导读】“生成对抗网络是切片面包发明以来最令人激动的事情！”LeCun前不久在Quroa答问时毫不加掩饰对生成对抗网络的喜爱，他认为这是深度学习近期最值得期待、也最有可能取得突破的领域。生成对抗学习是无监督学习的一种，该理论由 Ian Goodfellow 提出，此人现在 OpenAI 工作。作为业内公认进行前沿基础理论研究的机构，OpenAI 不久前在博客中总结了他们的5大项目成果，结合丰富实例介绍了生成对抗网络，并对OpenAI 五大落地项目进行梳理，包括完善对抗生成网络（GAN）、完善变分推断（

09

Web Hacking 101 中文版二十、漏洞报告

所以这一天终于来了，你发现了你的第一个漏洞。首先，恭喜你！认真来讲，发现漏洞并不容易，但是有一些不爽的事情。

03

强化学习的自然环境基准

虽然当前的基准强化学习（RL）任务对于推动这一领域的进展大有裨益，但在许多方面还不能很好地替代真实数据的学习。在低复杂度的仿真环境中测试日益复杂的RL算法，获得的RL策略难以推广。

03

总结 | 叶志豪：介绍强化学习及其在 NLP 上的应用

AI 科技评论按：当 AlphaGO 横扫之后，越来越多的学者意识到强化学习在人工智能领域所扮演的重要角色。同时随着深度学习的发展，应用深度学习，很多自然语言的传统难题得到突破。另外，引用 David Silver 的一句话：深度学习 (DL)+ 强化学习 (RL) = 人工智能 (AI)。

03

谷歌重磅开源RL智能体Dreamer，仅靠图像学习从机器人到Atari的控制策略，样本效率暴增20倍

智能体如何选择动作来实现其目标，这方面的研究已经取得了快速的进展，这在很大程度上归功于强化学习（RL）的使用。用于强化学习的无模型方法通过试错来学习预测成功的动作，这类方法使得 DeepMind 的 DQN 算法能够玩雅达利游戏，AlphaStar 在星际争霸 II 中击败世界冠军，但其需要大量的环境交互，由此限制了它们在真实世界场景中的应用。

02

学界 | 如何设计奖励函数

选自 nlpers.blogspot 机器之心编译参与：Jane W、黄小天作者Hal Daumé III是美国马里兰大学计算机科学院CLIP lab副教授，博士毕业于南加州大学，致力于研究自然语言处理和机器学习等方向。我上学期参加了一个强化学习毕业研讨会，它带给我很多乐趣并让我学习到之前想学却无机会学习的一些东西或已经忘记的旧知识。很难相信，我的第一篇强化学习论文发表于 11 年前，我与 Daniel Marcu、John Langford 在 NIPS 研讨会上发表了第一篇关于减少强化学习的结构

分享总结 | 叶志豪：介绍强化学习及其在 NLP 上的应用

雷锋网 AI 研习社按：当 AlphaGO 横扫之后，越来越多的学者意识到强化学习在人工智能领域所扮演的重要角色。同时随着深度学习的发展，应用深度学习，很多自然语言的传统难题得到突破。另外，引用 David Silver 的一句话：深度学习 (DL)+ 强化学习 (RL) = 人工智能 (AI)。

03

商汤科技发布迄今最大人脸检测数据集，绝杀Deepfake！

人脸交换严格就DeepFake的一种。就是将已有的人脸提取出来，用其他人脸代替，已被MixBooth和SnapChat之类的应用程序所普及。但是因为该技术门槛逐渐降低，也引发人们对该技术被滥用的担忧。

03

2017——国外SDK发展趋势

本文列出了 2017 年国外增长最快的移动应用 SDK，旨在帮助开发者了解技术的发展趋势。 1. 更多开发者选择应用开发平台开发者通常会面临这样的选择：是选择功能单一的工具还是选择提供“一条龙”服务

06

CVPR 2018中国论文分享会之「人物重识别及追踪」

本文为 2018 年 5 月 11 日在微软亚洲研究院进行的 CVPR 2018 中国论文宣讲研讨会中第三个 Session——「Person Re-Identification and Tracking」环节的四场论文报告。

04

高清视频点播-AI让你看片更丝滑

在线“看片”时，我们经常会遇到这些事情：视频画面突然卡住进入缓冲状态或者视频画面突然变得模糊而不忍直视。这些事情的背后很可能是网络环境突然变差了导致下载速度很慢，也可能是码率调整算法没有对当前环境做出合理的决策导致。事实上，如何感知网络环境的变化并作出合理的码率调整并非易事。目前很多视频播放的客户端都提供了几种码率档位（标清、高清、超清、蓝光等）供用户自主选择，在网络环境好时用户可以自主切到高码率档位，网络环境差时切到低码率档位。当然，有些主流的视频播放客户端也提供了自适应（自动）这个选项，比如Y

06

OpenAI-人工反馈的深度学习

rl-teacher是“Deep Reinforcement Learning from Human Preferences”的实现。这个系统允许你教一个强化学习行为的新行为，即： 1. 该行为没有

06

用语言建模世界：UC伯克利多模态世界模型利用语言预测未来

当前，人与智能体（比如机器人）的交互是非常直接的，你告诉它「拿一块蓝色的积木」，它就会帮你拿过来。但现实世界的很多信息并非那么直接，比如「扳手可以用来拧紧螺母」、「我们的牛奶喝完了」。这些信息不能直接拿来当成指令，但却蕴含着丰富的世界信息。智能体很难了解这些语言在世界上的含义。

02

每日学术速递10.24

1.VeRA: Vector-based Random Matrix Adaptation

01

DeepMind首提「统一智能体」！大模型做推理，赋能终身学习，AI王者加冕

来自Google DeepMind研究团队，设计了一个框架，使用语言作为核心推理工具，探索让智能体解决一系列基本的RL挑战。

02

奖金高达3万美元的Instagram账户漏洞

该Writeup是关于Instagram平台的任意账户劫持漏洞，作者通过构造出突破速率限制（Rate Limiting）的方法，可暴力猜解出任意Instagram账户的密码重置确认码，以此实现Instagram账户劫持。最终Facebook和Instagram的安全团队联合修复了该漏洞，并对作者给出了高达$30,000美金的奖励。以下是作者的分享。

02

十个生成模型(GANs)的最佳案例和原理 | 代码+论文

王小新编译原文作者：Sumeet Agrawal 量子位出品 | 公众号 QbitAI 生成对抗网络（GANs）是一种能“教会”计算机胜任人类工作的有趣方法。一个好的对手能让你成长更快，而GAN

06

Facebook通过教机器人自学走路，推进发展更灵活的AI系统

机器人技术为推进人工智能提供了重要机会，因为教机器独立学习将有助于在其他场景中开发更有能力和更灵活的AI系统。与各种机器人合作，Facebook AI研究人员正在探索新技术，以突破人工智能的界限。

03

直面GPT-4的缺陷和风险，OpenAI提出多种安全应对措施

大数据文摘授权转载自将门创投作者：seven_ 深入研究OpenAI官方团队发布的长达99页的技术报告，我们发现在GPT-4光鲜亮丽功能的背后，还隐藏了OpenAI团队付出的的汗水和努力，尤其是在缓解GPT模型自身缺陷和模型安全落地方面。报告链接： https://arxiv.org/abs/2303.08774 引言 GPT-4的发布直接填补了之前GPT系列的跨模态信息生成能力的空缺，GPT-4目前已经可以同时接受图像和文本输入，来生成用户需要的文本。并且OpenAI团队在多个测试基准上对其进行

03

硅谷“封城”前夜的L4级别无人车试乘实况，及其背后创新技术的深度剖析

最初，这个计划是“在硅谷晚高峰乘无人车买汉堡”，但因为美国疫情形势的急转直下，最后难度大大增加。

02

观点 | Ian Goodfellow：关于GANs的那些不为人知的事儿

AI 科技评论按：近日，「GANs 之父」Ian Goodfellow 做客国外一档「你问我答」（Ask Me Anything）的线上问答节目，提问者可以直接对 Ian Goodfellow 提出任何关于 GANs 的问题，下面 AI 科技评论带大家围观 GANs 背后都有哪些不为人知的故事。以下是 AMA 节目中，Ian Goodfellow 与线上提问者的问答实录，AI 科技评论做了不改动原意的编译。 Gfred：有传言说你是在一家酒吧想出 GAN 的。你能回忆并描述一下当时的情景吗？ Ian

05

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭