面向在线广告的投标感知检索：多阶段一致性
机器学习
2025-08-08 v1 信息检索
摘要
在线广告系统通常采用级联架构来管理大量请求和候选量，其中排序阶段根据 eCPM (预测 CTR 投标) 分配流量。随着自投标策略的流行，计算敏感的检索阶段与排序阶段之间的不一致性日益突出，因为前者无法为庞大的广告语料库获取精确的实时投标。这种差异导致平台收入和广告商结果次优。为解决此问题，我们提出投标感知检索 (BAR)，一种基于模型的检索框架，通过将广告投标价值纳入检索评分函数中来解决多阶段不一致性。核心创新是投标感知建模，通过单调性约束学习和多任务蒸馏来确保经济上连贯的表示，同时异步近线推断实现对市场的实时响应。此外，任务注意力细化模块 selectively enhances 特征交互以分离用户兴趣和商业价值信号。广泛的离线实验和在阿里巴巴显示广告平台上的全规模部署验证了 BAR 的有效性：平台收入提升 4.32%，对积极运营的广告实现 22.2% 的展示量提升。
引用
@article{arxiv.2508.05206,
title = {Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising},
author = {Bin Liu and Yunfei Liu and Ziru Xu and Zhaoyu Zhou and Zhi Kou and Yeqiu Yang and Han Zhu and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2508.05206},
year = {2025}
}