本文介绍了微软研究团队提出的实时竞价算法，旨在解决基于效果的展示广告分配问题，以最大化收益并考虑预算等约束。相较于离线求解优化问题的方法，该实时算法能在单个曝光层面进行更精准的广告分配，并通过两种实时竞价调整策略适应市场变化。文章详细阐述了算法的原理、对偶问题转换以及控制论和统计模型在竞价调整中的应用。
Real-Time Bidding Algorithms for Performance-Based Display Ad Allocation
Ye Chen, Pavel Berkhin, Bo Anderson, Nikhil R. Devanur
Microsoft Research
https://www.cse.fau.edu/~xqzhu/courses/cap6807/reading/performance.based.pdf
这篇文章提出一种实时竞价算法，用于基于效果的展示广告分配。效果展示广告的核心问题是将创意跟广告曝光关联起来，可以形式化为有约束的优化问题，目标是最大化收益，约束条件是比如预算约束，库存量等。
目前有些实践做法是，离线求解这种优化问题，并且是在曝光粒度来求解的，然后基于预先计算的静态分配方案服务于在线广告。尽管这种离线方法基于全局视角来得到优化解，它无法在单个曝光层面进行广告分配。
作者们提出一种实时竞价算法，可以提升细粒度曝光的价值，比如定向实时转化用户，根据实时限制，比如预算消耗约束，来调整基于价值的竞价。理论上，在线性约束原始-对偶形式下，这种简单的实时竞价算法可以作为一种原始问题的线上求解器，将原问题的最优解作为对偶问题的输入。给定离线优化相同层面的知识，这种线上算法可以保证至少可以达到离线最优解。
为了自适应市场的不稳定性，作者们开发并实验了两种实时竞价调整算法。一种利用控制论方法来调整竞价，同时满足实时约束。另一种方法基于统计模型的历史竞价策略来调整竞价。
这篇文章的研究背景如下
离线算法具有以下局限性
<
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
