用于自动广告投放优化的生成式大规模预训练模型
机器学习
2025-12-09 v2 计算工程、金融与科学
摘要
现代自动出价系统需要在整体性能与多样化广告主目标以及现实约束之间进行平衡，这反映了行业动态演变的需求。最近，基于条件生成模型（如transformer和diffuser）的进展，使能够直接生成量身定制于广告主偏好的轨迹，为传统基于马尔可夫决策过程的方法提供了有前景的替代方案。然而，这些生成方法面临着显著挑战，如离线与在线环境之间的分布迁移、行动空间的有限探索，以及需满足诸如每千次展示成本（CPM）和投资回报率（ROI）等约束。为解决这些挑战，我们提出了GRAD（Generative Reward-driven Ad-bidding with Mixture-of-Experts），即一个面向自动出价的可扩展基础模型，将Action-Mixture-of-Experts模块用于多样化出价动作探索，以及基于因果Transformer的价值估计器用于约束感知优化。大量离线和在线实验表明，GRAD显著提升了平台收入，凸显其在应对现代广告主不断变化和多样化需求方面的有效性。此外，GRAD已在美团（全球最大的在线食品配送平台之一）多个营销场景中实现，导致Gross Merchandise Value（GMV）提升2.18%，投资回报率（ROI）提升10.68%。
关键词
引用
@article{arxiv.2508.02002,
title = {Generative Large-Scale Pre-trained Models for Automated Ad Bidding Optimization},
author = {Yu Lei and Jiayang Zhao and Yilei Zhao and Zhaoqi Zhang and Linyou Cai and Qianlong Xie and Xingxing Wang},
journal= {arXiv preprint arXiv:2508.02002},
year = {2025}
}
备注
KDD 2026