在线广告拍卖的学习模型揭示了竞价人行为对关键绩效指标的影响,包括广告槽位置、竞争广告商数量和身份、广告商接收的反馈以及支付规则等特征。同时证明了在更现实的拍卖环境中,即使竞标人来自同一人群,提供 “软底价” 也能提升关键绩效指标。
Jul, 2023
本文提出了一种在线学习框架,利用多维度的决策变量、赌博反馈和长期不确定性约束,帮助广告客户在非平稳采购结果的真实赌博反馈环境中动态优化广告平台的杠杆决策,取得低损失结果。
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
我们研究了在线广告中的买方定价、多次交互和卖方算法,包括买方价值分布推断、策略性遗憾和卖方长期收入最大化。我们定义了策略性遗憾的自然概念,介绍了卖方算法,分析了买方的贴现能力。该文阐述了任何卖方算法在没有贴现时都将遭受线性策略性遗憾。
Nov, 2013
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
通过研究用户行为,提出一种基于马尔可夫模型的最高效广告分配算法,结合 VCG 机制实现真实拍卖,得到了和 GSP 相似的拍卖稳定性和直观性。
本研究将顺序广告策略优化建模为动态背包问题,并提出了一种具有理论保证的二层优化框架,以显著降低原始优化空间的解决方案,同时确保解决方案的质量,进一步地通过缩小行动空间提高了增强学习的探索效率。离线和在线实验表明,相比工艺水平的基线方法,我们的方法在累计收入方面表现优异。
Jun, 2020
本文研究广告拍卖中各利益相关者的权衡。我们讨论了基于利益相关者效用值的线性组合优化问题及其解决方案,同时通过模拟和实际数据分析探究了不同广告数量对各方效用的影响。最后,我们探究了组合型广告格式的不同竞价规则,并发现了其中的问题和限制。
Apr, 2014
电子商务广告效果主要取决于商家对目标用户进行竞标和赢得展示的能力。本文考虑在用户时间线级别上解决这一问题,通过操纵完整策略而不是竞标值来将策略最优地分配给用户,引入 SuccessProbaMax 算法来优化成功概率,实验证明该算法在成功率方面优于传统预期值最大化算法。
Dec, 2023