竞价机器：以直接优化展示广告利润为目标的学习型竞价方法

基于实时竞价（RTB）的展示广告已成为计算广告中的关键技术进展之一。RTB 使广告主能够通过拍卖实时购买单个广告曝光，并便于跨多个广告主对单个曝光进行评估和竞价。在 RTB 中，广告主在优化其竞价策略时面临三个主要挑战，即（i）估计广告曝光的效用（例如转化、点击），（ii）预测给定广告曝光的市场价值（从而成本），以及（iii）基于前两者决定给定拍卖的最优出价。以往的解决方案假设前两个问题在解决出价优化问题之前已解决。然而，这些挑战高度相关，独立处理任一问题可能并非全局最优。在本文中，我们提出 Bidding Machine，一个综合的学习型竞价框架，其由处理上述各挑战的三个优化器组成，并作为一个整体联合优化这三部分。我们表明，这种联合优化将大幅提高广告活动的有效性和利润。从学习角度看，我们表明竞价机器可通过离线周期性批量或在线顺序训练方案平滑更新。我们广泛的离线实证研究和在线 A/B 测试验证了所提议竞价机器的高有效性。