KDD2021|雅虎提出高效深层分布网络竞价策略用于一阶广告拍卖竞价隐藏
An Efficient Deep Distribution Network for Bid Shading in First-Price Auctions
Tian Zhou, Hao He, Shengjun Pan, Niklas Karlsson, Bharatbhushan Shetty, Brendan Kitts, Djordje Gligorijevic, San Gultekin, Tingyu Mao, Junwei Pan, Jianlong Zhang and Aaron Flores
Yahoo Research, Verizon Media
https://arxiv.org/pdf/2107.06650.pdf
自2019年以来，在线广告行业中，大多数广告交易平台和供应商平台（SSPs），从二阶竞价转向一阶竞价。由于二阶竞价和一阶竞价有着本质的差别，需求方平台（DSPs）不得不更新竞价策略来避免竞得不必要的高价，支付过高价格。
竞价隐藏可以基于二阶竞价进行调整竞价，这种竞价方式可以平衡成本和首次竞价场景中获胜的概率。
这篇文章提出一种新的深层分布网络，在开放（非删剪）以及封闭（删剪）在线一阶竞价中可以得到最优竞价。
离线以及在线A/B测试结果表明，作者们所提算法效果（包括盈余以及每行动成本，eCPX）优于先前的STOA算法。此外，该算法是在运行时优化的，已经作为生产算法部署在VerizonMedia DSP中，每天服务千亿竞价请求。
线上A/B测试表明，广告主营销活动的ROI基于曝光（CPM）提升4.2%，基于点击（CPC）提升2.4%，基于转化（CPA）提升8.6%。
大多数SSP之所以转向一阶竞价，是出于以下两个方面的考虑
一阶竞价和二阶竞价的区别如下
竞价隐藏产生的原因如下
竞价隐蔽的目标是最大化盈余
开放及封闭一阶竞价区别如下
这篇文章的主要贡献如下
竞价隐藏有以下几个特性
竞价隐藏算法可以分为两类
另一类方法是基于分段的思路
目前已经有一些竞价隐藏服务
下面是这边文章的一些符号约定
关于盈余，其数学表示如下
SSP提供最小获胜价格时，概率密度估计的模型结构图示如下
SSP未提供最小获胜价格时，累计概率分布预估的模型结构图示如下
盈余最大化的黄金分割搜索算法伪代码如下
这篇文章所采用的数据集、特征、分割方法以及评估指标等简介如下
不同模型效果对比如下
其中，几种分布数学表示对比如下
最小获胜价格未提供时，几种模型效果对比如下
几种网络结构的效果对比如下
雅虎竞价隐藏系统整体框架图示如下
以CPA为目标的对数eCPX比例直方图图示如下
通过营销活动消耗速度得到的对数eCPX比例直方图图示如下
对于作者们所提出的新算法，不同的目标不同的指标所带来的提升幅度总结如下
我是分割线
您可能感兴趣
KDD2021|华为联合上交提出CTR预估数值特征embedding学习框架AutoDis(已开源)
KDD2021|腾讯联合中科院北航提出人群扩展算法MetaHeac并用于推荐和广告领域(已开源)
KDD2020|阿里提出多目标优化保量算法并用于优酷视频服务平台
KDD2020|腾讯联合中科大提出请求级别保量广告计划RAP
KDD2020|淘宝推荐中的特权特征蒸馏算法PFD
KDD2020|阿里联合香港理工大学提出多任务多视角图表示学习框架M2GRL(已开源)
KDD2020|字节联合密歇根州立大学提出推荐广告联合训练框架RAM(已开源)
KDD2020|阿里联合清华提出多兴趣框架ComiRec用于序列推荐(已开源)
KDD2020|京东提出图像类别卷积神经网络CSCNN用于视觉感知CTR预估
亚马逊联合纽约州立大学提出元学习算法MetaBridge用于电商有限标注数据情况下自动验证文本属性
KDD2020|腾讯基于app使用行为提出AETN用于构建通用型user-embedding(已开源)
KDD2020|阿里联合武大提出对偶异构图注意力网络DHGAT用于提升长尾商铺搜索效果
KDD2020|蚂蚁金服提出人群扩展算法Hubble用于智能营销
实时注意力lookalike模型RALM在推荐系统中的应用