本文提出了一个数学模型，该模型分配和定价未来的广告展示 —— 既可以是通过实时竞价在拍卖市场上出售，也可以是通过保证合同事先出售。通过价格差异化和最优分配，该模型可将两种方式无缝地组合在一起，从而最大化发布者的收入。通过 RTB 数据评估，我们发现，该模型根据竞争水平采用不同的分配和定价策略。
May, 2014
本文研究如何通过将广告展示按价格进行随机招标来实现广告展示的合约化。研究表明，随机招标能够实现的广告展示分配，必须满足期望份额是价格的降序函数；论文同时提供了一种实现方案来实现随机招标和解决广告竞投模型的问题。
Oct, 2009
本文探讨了在实时竞价广告投放中，利用强化学习算法，通过状态空间表示广告拍卖信息和实时参数，在竞价过程中动态分配预算，学习最优的出价策略以最大化广告业绩，并通过神经网络解决了实际应用中的可扩展性问题。
Jan, 2017
本研究提出了一种在线方法，通过在时间范围内最优化地分配预算，并基于事前性能分布来选择高质量的广告展示和调整竞价，以实现顺畅的预算交付并优化转化表现。
May, 2013
本研究提出了一种基于强化学习的新型自适应风险感知竞价算法，旨在同时考虑估计不确定性和 DSP 的动态风险倾向，并通过公共数据集的广泛实验表明，该算法在实际 setting 中优于现有的最佳方法。
Dec, 2022
本研究透過評估使用者行為不確定性和拍賣競爭中的成本不確定性來為 RTB 顯示廣告中的不確定性建立數學模型，推導出了兩種風險意識下的出價策略，此模型可有效提高广告投放的利润。
本研究提出一种基于强化学习的模型自由框架，将预算限制投标问题转化为马尔可夫决策过程，并采用深度神经网络学习适当的奖励 —— 从而优化决策策略 — 以在大规模真实数据集上执行 RTB 优化
Feb, 2018
本文提供对 RTB 新兴的印象销售基础架构的实证分析和测量，展示了其出价行为，并指出时间依赖模型、优化算法等问题未得到充分考虑。
Jun, 2013
本文概述了计算广告的新领域所涉及的基本基础设施、算法和技术解决方案，其中涵盖了实时竞价、数字营销、自动化、信息检索、广告欺诈检测等主题。
Oct, 2016
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