MCMF：在线展示广告中带合并特征的多约束竞价优化
计算机科学与博弈论
2022-06-28 v2 计算工程、金融与科学
摘要
在实时竞价（RTB）中，广告主日益依赖竞价优化以获取更多转化（即交易或到达）。当前，竞价优化的效率仍受以下挑战：（1）稀疏反馈，（2）与优化相分离的预算管理，以及（3）缺失竞价环境建模。转化反馈延迟且稀疏，而多数方法依赖稠密输入（曝光或点击）。此外，多数方法分两阶段实现：最优公式化与预算管理，但分离常导致性能下降。同时，由于缺乏竞价环境建模，常采用无模型控制器，其在稀疏反馈上表现不佳并引发控制不稳定。我们应对这些挑战并给出带合并特征的多约束（MCMF）框架。其收集各类竞价状态作为合并特征，以保障在稀疏且延迟反馈下的性能。将代价函数公式化为带预算管理的动态最优解，优化与预算管理不再分离。依据该代价函数，基于赫布学习规则（Hebbian Learning Rule）的近似梯度能够更新MCMF，即便无竞价环境建模亦可。我们的技术在公开数据集上表现最佳，并在极端稀疏下提供稳定预算管理。MCMF已应用于我们的真实RTB生产系统，以2.46%更少支出获得了2.69%更多转化。
引用
@article{arxiv.2206.12147,
title = {MCMF: Multi-Constraints With Merging Features Bid Optimization in Online Display Advertising},
author = {Xiao Wang and Shaoguo Liu and Yidong Jia and Yuxin Fu and Yufang Yu and Liang Wang and Bo Zheng},
journal= {arXiv preprint arXiv:2206.12147},
year = {2022}
}
备注
5 pages, 5 figures