线性规划在赞助商品列表排序中的效力：来自大规模实地实验的证据
综合经济学
2025-11-13 v4 经济学
摘要
赞助商品广告构成了 Amazon、Walmart 和 Alibaba 等在线市场的主要收入来源。这些系统中的一个关键运营挑战在于赞助商品列表排序 (SLR) 问题，即决定包含哪些商品以及如何对它们进行排序，以平衡短期收入与长期相关性及用户体验。业界实践主要依赖基于分数的算法，这些算法构建启发式复合分数，以在严格的实时延迟约束内对商品进行高效排序。然而，此类方法对目标权衡的控制有限，且不能轻易适应额外的运营约束。我们提出并评估了一种基于线性规划 (LP) 的算法，作为基于分数方法的有原则的替代方案。我们首先将 SLR 问题表述为受约束的混合整数规划 (MIP) 模型，并开发了一种基于对偶的算法，能在 0.1 秒内近似求解其 LP 松弛问题，满足生产级延迟要求。我们与一家领先的在线市场合作，进行了一项为期 19 天、包含约 3.29 亿次展示的实地实验。基于 LP 的算法在关键市场指标上显著优于行业标准基准，展现出更高的收入并维持了相关性。机制分析表明，当收入-相关性权衡更强时，性能提升最为显著。我们的框架也可推广至带有库存、销售或公平性约束的场景，提供了一种灵活且可部署的优化范式。基于 LP 的算法于 2023 年 1 月在我们合作市场的生产环境中部署，标志着在现实世界在线广告中罕见的大规模数学化排序算法实施。
引用
@article{arxiv.2403.14862,
title = {The Power of Linear Programming in Sponsored Listings Ranking: Evidence from a Large-Scale Field Experiment},
author = {Haihao Lu and Luyang Zhang and Yuting Zhu},
journal= {arXiv preprint arXiv:2403.14862},
year = {2025}
}