基于生成式响应建模的约束自动竞价
人工智能
2026-05-28 v1
摘要
自动竞价系统旨在预算约束和单次获客成本等比率目标下，在长期内最大化广告主价值，然而未来的流量和拍卖动态是非平稳且不确定的。现有方法面临不同的局限性：基于控制的节奏调整对偏差做出反应，但无法预测未来状况；而强化学习和生成式方法将约束折叠进奖励信号中，模糊了违规行为，并在分布偏移下性能下降。我们将学习目标从动作转向响应，提出了生成式响应模型（GRM），这是一个基于历史条件的序列模型，联合预测未来流量量以及作为单一竞价乘数函数的水平聚合成本/价值曲线。我们证明，在温和的单调性条件下，相对于完全逐拍控制的最优性差距受限于逐拍边际价值-成本比的离散度。给定预测的响应后，一个轻量级的解析控制器通过一维求根步骤强制执行每个活动约束。我们证明该控制器对于单乘数问题是精确的，并基于预测误差界定了在滚动时域重规划下的约束违反。在AuctionNet上的实验表明，与现有基线相比，GRM提高了约束稳定性和总体得分。
引用
@article{arxiv.2605.27811,
title = {Constrained Auto-Bidding via Generative Response Modeling},
author = {Eunseok Yang and Xingdong Zuo and Kyung-Min Kim},
journal= {arXiv preprint arXiv:2605.27811},
year = {2026}
}