Aug, 2023

利用点过程进行 RTB 建模

PDF
TL;DR我们提出了一个通用的随机框架，用于模拟实时竞价生态系统中的重复拍卖，该框架利用点过程进行建模。该框架的灵活性允许各种拍卖场景，包括为玩家提供的信息配置，确定拍卖获胜者以及量化每次拍卖所获得的效用。我们提出了有关如何将该过程的形式化近似为泊松点过程的理论结果，这使得分析人员可以利用成熟的属性。在该框架下，我们指定了在各种情景下玩家的最优策略。我们还强调了必须考虑效用和市场条件的联合分布，而不是独立估计边际分布的重要性。
发现论文，激发创造
  • 在线广告实时竞价：测量与分析

    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

  • 实时竞价的功能优化强化学习

    本文提出了一种多智能体强化学习架构以用于实时竞价广告，使用三个 Lagrange 乘数基于功能优化以及一个基准代理程序进行竞标环境设计。实验结果表明，相比其他代理程序，具有功能优化的代理程序在广告竞标过程中获胜速率和盈余率上有显著提升，表现出优异的表现和盈利性。

    Jun, 2022

  • 展示广告中强化学习实时竞价

    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

  • 展示广告中带有预算限制的自适应风险感知竞标

    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

  • 基于课程引导的贝叶斯强化学习的 ROI 受限出价

    该篇论文描述了如何使用部分可观测马尔可夫决策过程方法做到在高度动态的广告市场中，自适应平衡 ROI 约束和目标优化的需求并提出了一种调整策略的贝叶斯强化学习框架。

    Jun, 2022

  • 展示广告中的印象分配和政策搜索

    该论文研究了优化在线展示广告销售策略，通过将印刷品分配问题转化为拍卖问题，并提出了多智能体强化学习方法来解决不稳定流量模式等挑战，最终证明该策略可行且有效。

    Mar, 2022

  • 在线广告中基于实时出价和平滑预算分配的优化

    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

  • 基于模型无关强化学习的广告展示的预算约束竞标

    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

  • 深度强化学习在赞助搜索实时竞价中的应用

    本文提出了一种基于强化学习的方法解决了在线广告拍卖中的实时竞标问题，特别是在搜索广告拍卖中针对多关键字的竞标策略提出了一个控制模型。

    Mar, 2018

  • 竞标机器：学习竞标直接优化展示广告收益

    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