一种用于首次价格拍卖中出价 shading 的高效深度分布网络
计算机科学与博弈论
2021-07-16 v2 机器学习
机器学习
摘要
自2019年以来，在线广告行业中的大多数广告交易平台和供应方平台（SSP）已从第二价格拍卖转向第一价格拍卖。由于这些拍卖之间存在根本差异，需求方平台（DSP）不得不更新其出价策略，以避免出价过高而不必要地超额支付。出价 shading 被提出用于调整面向第二价格拍卖的出价价格，以在第一价格拍卖设置中平衡成本与获胜概率。在本研究中，我们提出了一种新颖的深度分布网络，用于开放（非删失）和封闭（删失）在线第一价格拍卖中的最优出价。离线和在线 A/B 测试结果表明，我们的算法在盈余和有效每行动成本（eCPX）指标方面均优于先前最先进的算法。此外，该算法在运行时间上进行了优化，并已部署到 VerizonMedia DSP 中作为生产算法，每天处理数千亿次出价请求。在线 A/B 测试显示，基于曝光（CPM）、基于点击（CPC）和基于转化（CPA）的广告活动的广告主 ROI 分别提升了 +2.4%、+2.4% 和 +8.6%。
引用
@article{arxiv.2107.06650,
title = {An Efficient Deep Distribution Network for Bid Shading in First-Price Auctions},
author = {Tian Zhou and Hao He and Shengjun Pan and Niklas Karlsson and Bharatbhushan Shetty and Brendan Kitts and Djordje Gligorijevic and San Gultekin and Tingyu Mao and Junwei Pan and Jianlong Zhang and Aaron Flores},
journal= {arXiv preprint arXiv:2107.06650},
year = {2021}
}
备注
In Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD'21), August 14-18, 2021, Singapore