网络发布商实时竞价收益实时优化
计算机科学与博弈论
2020-06-15 v1 机器学习
机器学习
摘要
本文描述了一个用于优化网络发布商在二价拍卖中收益的引擎。此类拍卖广泛用于一种称为实时竞价（RTB）的机制中以出售在线广告位。在这些拍卖中进行优化对网络发布商至关重要，因为设定合适的保留价可显著增加收益。我们考虑一种实际的现实场景，其中拍卖发生前唯一可用的信息包括用户标识符和广告位标识符。我们须应对的现实挑战主要包括：在高度非平稳环境中追踪对用户和广告位的依赖关系，以及处理被删失的竞价观测。这些挑战促使我们做出如下设计选择：(i) 我们采用了一种相对简单的基于增量时间加权矩阵分解的拍卖收益非参数回归模型，该模型隐式地构建自适应的用户与广告位画像；(ii) 我们联合使用一种非参数模型，基于Aalen加性模型在线扩展来估计被删失时的第一与第二竞价分布。我们的引擎是一个已部署系统的组件，该系统服务全球数百家网络发布商，每日向数亿访客投放数十亿广告。该引擎能够为每次拍卖在约一毫秒内预测出最优保留价，并为网络发布商带来显著的收益提升。
引用
@article{arxiv.2006.07083,
title = {Real-Time Optimization Of Web Publisher RTB Revenues},
author = {Pedro Chahuara and Nicolas Grislain and Grégoire Jauvion and Jean-Michel Renders},
journal= {arXiv preprint arXiv:2006.07083},
year = {2020}
}