搜索广告的（边际）价值：面向重复第二价拍卖的在线因果框架

现有的自动出价算法在数字广告中常将广告机会的价值视为广告展示和/或点击时获得的收入，并据此出价。这可能导致浪费的开支，因为真正的价值是付费曝光的边际收益：即使未赢得赞助位，广告商仍可能通过有机搜索结果（例如在 Google 或 Amazon 上）获取收入。受最新研究的启发，我们将广告价值建模为处理效应 -- 赢得和输得拍卖之间的差异 -- 并在此因果视角下研究第二价（Vickrey）拍卖中的在线学习。我们开发了算法，在几种反馈模型下实现最优的 regret 率。一个关键要素利用第二价支付规则所揭示的信息，这相对于第一价拍卖中类似学习问题的 regret 有严格的改进。