本文提出了一种针对在线广告买卖市场的方法,以最大化广告主的总实用效益且满足预算限制,解决预算限制下不确定的、可能存在证明问题的一组拍卖中的投标最优策略问题,并对在线出价的情况进行了调查,算法在完全信息情况下的拍卖后悔为 $O (T^{3/4})$。我们证明了此方法优于现有的适应性 pacing 算法的合成和真实数据集上的累计后悔。
Jun, 2023
本研究面对不完全的历史广告表现指数和无法准确预测的广告环境下,构建了数据分布预测模型和随机关键词定位模型,提出了一种新的基于分支定界算法的关键词定位策略,并在真实数据的基础上展示了其优异性能。
Oct, 2022
现代商业互联网搜索引擎通过拍卖方式在搜索结果旁边展示广告,这种发起出价的赞助搜索依靠市场机制,我们总结了当前拍卖系统的情况,描述了博弈论方面的基本原理,该博弈涉及到三方,分别是广告主、搜索引擎和搜索用户,介绍了强调每方角色的研究方向,并使用机制设计、优化和统计估计的技术来制定竞标和定价算法最后提出了赞助搜索广告中的一些挑战。
May, 2008
本研究研究了在 RTB 环境下,广告主如何在预算限制的情况下最大化转化量,作者们通过使用线性规划和基于反馈控制方法来推导出最优出价策略,同时提出了多变量控制系统来解决应用问题,并使用淘宝真实数据进行了验证。
May, 2019
该论文提出了一个联合优化框架,用于协调互联网广告竞价和售卖中存在的挑选投标的因素,运用一种基于贝叶斯决策模型的方法进行了模型建立以及性能上界的分析,最终得到了该方法在几种不同情况下的性能保障,其中也包括了针对广告拍卖的一些启发式算法。
Feb, 2010
本研究探讨了如何学习在首价拍卖中进行出价,针对这一问题开发了首个达到最小化一般策略集的竞标算法,能够显著提升现有竞标算法的效果。这一算法利用专家策略和层级策略,取得了不错的效果,在三个真实场景的测试中表现出了优越性。
Jul, 2020
该论文研究了在赞助搜索中,对于一定数量的广告位需要在竞争的广告商之间进行分配,提出了将拍卖机制与广告竞价相结合的策略,给出了一种基于线性效用的指派模型,在此基础上提出了 GSP 和 VCG 机制,并介绍了计算该模型中的拍卖结果的算法。
Jul, 2008
本论文提出了一个综合的学习出价框架 Bidding Machine,能够联合优化估算广告效用、预测市场价值、制定最佳竞标策略三个挑战,大大提高了广告活动的效益和利润。
Mar, 2018
本文提出一种新颖的博弈论机器学习方法,该方法自然地合并机器学习和博弈论,通过双层优化框架学习拍卖机制以实现经验收入最大化。实验证明,该方法能够比几个基线方法产生更有效的拍卖机制。
Jun, 2014
本研究探讨广告拍卖问题,使用机器学习中预测平方损失的标准设置,将储备价优化问题进行了简化,首次形式上将收益与标准机器学习模型的质量联系起来
Jun, 2017