神经拍卖：电子商务广告拍卖机制的端到端学习
计算机科学与博弈论
2021-07-15 v2 人工智能
机器学习
摘要
在电子商务广告中，联合考虑各种性能指标（例如用户体验、广告主效用和平台收益）至关重要。传统拍卖机制，如 GSP 和 VCG 拍卖，由于其固定的分配规则仅优化单一性能指标（例如收益或社会福利），可能是次优的。近来，直接从拍卖结果中学习以优化多种性能指标的数据驱动拍卖引起了越来越多的研究兴趣。然而，拍卖机制的过程涉及各种离散计算操作，使其难以与机器学习中的连续优化流程兼容。在本文中，我们设计了深度神经拍卖（Deep Neural Auctions, DNAs），通过提出一个可微分模型来松弛拍卖中的关键组件——离散排序操作，从而实现端到端拍卖学习。我们通过开发深度模型从拍卖中高效提取上下文来优化性能指标，为拍卖设计提供丰富特征。我们进一步将博弈论条件集成到模型设计中，以保证拍卖的稳定性。DNAs 已成功部署在淘宝的电子商务广告系统中。在大规模数据集和在线 A/B 测试上的实验评估结果均表明，DNAs 显著优于业界广泛采用的其他机制。
引用
@article{arxiv.2106.03593,
title = {Neural Auction: End-to-End Learning of Auction Mechanisms for E-Commerce Advertising},
author = {Xiangyu Liu and Chuan Yu and Zhilin Zhang and Zhenzhe Zheng and Yu Rong and Hongtao Lv and Da Huo and Yiqing Wang and Dagui Chen and Jian Xu and Fan Wu and Guihai Chen and Xiaoqiang Zhu},
journal= {arXiv preprint arXiv:2106.03593},
year = {2021}
}
备注
To appear in the Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), 2021