一种考虑用户疲劳的重复拍卖实用策略学习方法
计算机科学与博弈论
2024-07-16 v1 机器学习
最优化与控制
摘要
在线广告横幅通过拍卖实时出售。通常，用户看到的横幅越多，下一条横幅对该用户的边际价值就越小。这一事实可以通过基本的机器学习模型检测到，这些模型可用于预测先前赢得的拍卖如何降低当前拍卖的价值。然而，仅靠学习不足以产生一个能正确考虑赢得当前拍卖对未来价值影响的出价。事实上，使用这种预测来最大化当前拍卖预期收益的策略可能被认为是“不耐烦的”，因为这种策略没有充分考虑拍卖的重复性。从这个角度来看，文献中的大多数投标者似乎都是不耐烦的。不出所料，不耐烦会带来成本。我们为这种不耐烦成本的重要性提供了两个实证论据：首先，一个离线反事实分析；其次，通过减轻不耐烦成本，业务指标得到了显著改善。
关键词
引用
@article{arxiv.2407.10504,
title = {A pragmatic policy learning approach to account for users' fatigue in repeated auctions},
author = {Benjamin Heymann and Rémi Chan--Renous-Legoubin and Alexandre Gilotte},
journal= {arXiv preprint arXiv:2407.10504},
year = {2024}
}