电子商务中个体广告效应的估计

在线广告一直是互联网公司的主要变现方式。广告主投入预算对实时曝光进行竞价，以获取直接与间接回报。现有工作集中于优化广告流量带来的直接回报。然而，由广告流量引发的间接回报，如影响在线自然流量与线下口碑营销，为广告主提供了额外的显著动机。对整体广告回报与预算之间因果效应的建模与量化，使广告主能够更明智地花费资金。本文中，我们将整体回报建模为因果推断中具有多处理的个体广告效应，并以可学习的事实损失与处理特定上下文分布的距离界定期望估计误差的上界。相应地，使用一种表示与假设网络来最小化该损失上界。我们将学到的因果效应应用于工业级赞助搜索系统的在线竞价引擎中。在线实验表明，基于因果推断的竞价优于现有在线竞价算法。