面向实时竞价广告的深层竞价景观预测

在线广告中实时拍卖的出现引起了人们对市场竞价的建模——即竞价景观预测（bid landscape forecasting）——的巨大关注。该问题被表述为预测每次广告拍卖的市场价格的概率分布。考虑到由第二价格拍卖机制引起的删失问题，许多研究者通过引入医学研究领域的生存分析致力于竞价景观预测。然而，现有解决方案大多侧重于基于分段样本簇的计数统计，或基于某些分布形式的启发式假设学习参数化模型。此外，它们均未考虑特征在价格空间上的序列模式。为在数据细粒度层面捕捉更复杂且灵活的模式，我们提出一种深层竞价景观预测（Deep Landscape Forecasting, DLF）模型，该模型结合了用于概率分布预测的深度学习与用于处理删失的生存分析。具体而言，我们利用循环神经网络灵活建模相对于每个出价的条件获胜概率。随后我们通过概率链规则并借助严格的数学推导进行竞价景观预测。并且，我们以端到端方式，通过最小化两个具有全面动机的负对数似然损失来优化模型。在不对竞价景观分布形式作任何特定假设的情况下，我们的模型在拟合各种复杂市场价格分布上相较以往工作展现出巨大优势。在两组大规模真实世界数据集上的实验中，我们的模型在各指标下均显著优于最先进的（SOTA）解决方案。