Budget Constrained Bidding by Model-free Reinforcement Learning in Display Advertising
Alibaba Group（阿里巴巴集团）
实时竞价（RTB）是在线展示广告中的一种重要机制，其中每个页面视图的适当竞价对于良好的营销效果起着至关重要的作用。预算约束竞价是RTB中的一个典型场景，其中广告主希望在预设的预算约束下最大化获胜展示的总价值。然而，由于拍卖环境的复杂性和波动性，很难得到最优的投标策略。为了解决这些挑战，在本文中，我们制定预算约束招标作为马尔可夫决策过程，并提出了一个无模型强化学习框架来解决优化问题。我们的分析表明，在关键的资源约束下，来自环境的直接奖励是误导性的。因此，我们创新的奖励函数设计方法的强化学习问题的约束。基于新的奖励设计，我们采用了一个深度神经网络来学习适当的奖励，从而可以有效地学习最优策略。不同于以往基于模型的工作，这遭受的可扩展性问题，我们的框架很容易被部署在大规模的工业应用。实验结果表明，我们的框架在大规模的真实数据集上的有效性。
2018-10-23 cs.AI
Towards Fairness in Personalized Ads Using Impression Variance Aware Reinforcement Learning
Meta
针对个性化广告中不同群体曝光差异的算法偏见问题，提出曝光方差感知的VRS重排序框架，以隐私保护方式缩小公平性差距，已在美住房广告大规模部署并显著提升公平性指标。
2023-06-08 cs.AI cs.CY
Bidding for Representative Allocations for Display Advertising
展示广告传统上是通过担保合同销售的-担保合同是出版商和广告客户之间的一项交易，在一定时期内分配一定数量的展示，每次展示的价格预先规定。然而，随着显示广告的现货市场，如RightMedia Exchange，已经变得越来越突出，在给定页面上显示的广告的选择越来越多地基于价格，使用拍卖来选择。随着交易参与者数量的增加，印象的价格成为其价值的信号。价格和价值之间的这种相关性意味着，通过投标执行合同的卖方应该向合同买方提供一系列价格，而不仅仅是满足其需求所需的最便宜的印象。使用一系列价格来实现合同类似于创建广告印象的共同基金，并且需要{ \em随机投标}。我们描述了什么样的分配可以实现随机招标，即那些在每个价格获得的期望份额是一个非增函数的价格。此外，我们提供了一个完整的特性，当一组活动是兼容的，以及如何实现它们与随机投标策略。
2009-10-05 cs.GT cs.MA
Auto-bidding in real-time auctions via Oracle Imitation Learning (OIL)
EPFL Japan, Switzerland（瑞士EPFL日本分校）；Sony（索尼公司）
针对实时拍卖自动出价的约束优化难题，提出Oracle模仿学习（OIL）框架，以先知算法求得的近似最优解为训练目标，训练仅用实时信息的出价网络，性能和样本效率均优于强化学习方法。
2025-05-16 cs.AI cs.LG
Deep Reinforcement Learning for Sponsored Search Real-time Bidding
Alibaba Group（阿里巴巴集团）；Xidian University（西安电子科技大学）；Zhejiang University（浙江大学）
竞价优化是网络广告中最关键的问题之一。赞助搜索拍卖由于用户查询行为的随机性和平台的特性，通常采用关键词级竞价策略。相比之下，展示广告（DA）作为相对简单的拍卖场景，利用了实时的【形】形竞价（RTB）来提高广告主的业绩。在本文中，我们考虑的RTB问题的赞助搜索拍卖，命名为SS-RTB。由于随机的用户查询行为和基于广告的多个关键字的更复杂的竞价策略，SS-RTB具有更复杂的动态环境。大多数以前的DA方法都不能应用。我们提出了一个强化学习（RL）的解决方案来处理复杂的动态环境。虽然已经提出了一些RL方法用于在线广告，但它们都未能解决“环境变化”问题：状态转移概率在两天之间变化。出于观察，拍卖序列的两天共享类似的过渡模式，在适当的聚合水平，我们制定了一个强大的MDP模型在小时聚合水平的拍卖数据，并提出了一个控制的模型框架SS-RTB。我们不是直接生成投标价格，而是为每个小时的展示量决定一个投标模型，并相应地执行实时的【形】投标。我们还扩展的方法来处理多智能体问题。我们在阿里巴巴的电子商务搜索拍卖平台中部署了SS-RTB系统。离线评估和在线A/B测试的实验结果表明了该方法的有效性。
2018-03-01 cs.AI
Managing Risk of Bidding in Display Advertising
在本文中，我们处理的不确定性投标的显示广告。类似于金融市场交易，基于实时竞价（RTB）的显示广告采用拍卖机制来自动化印象级媒体购买;并且运行活动与获取新客户以获得额外的转换销售的投资没有什么不同。因此，如何对广告印象进行最佳出价以推动利润和投资回报率变得至关重要。然而，用户行为的大随机性和拍卖竞争引起的成本的不确定性可能会导致一个显着的风险，从运动的性能估计。在本文中，我们明确的用户点击率估计和拍卖竞争的不确定性模型捕捉风险。我们从金融学中借用一个想法，并得出每个广告展示机会的风险价值。我们的制定结果在两个风险意识的投标策略，惩罚有风险的广告印象，并更专注于那些具有较高的预期回报和较低的风险。对真实世界数据的实证研究表明，我们提出的风险意识投标策略的有效性：在商业RTB平台上的离线实验中获得15.4%的利润收益，在在线A/B测试中获得高达17.5%的利润收益。
2017-01-20 cs.GT
Feedback Control of Real-Time Display Advertising
University College London（伦敦大学学院）；YOYI Inc.（有米科技股份有限公司）；Big Tree Times Co.（大树时代科技有限公司）；Shanghai Jiao Tong University（上海交通大学）
本文提出实时竞价中反馈控制机制，通过动态调整出价以优化广告效果，如拍卖胜率和有效点击成本，并通过实证研究验证其有效性。
2016-03-03 cs.GT cs.SY eess.SY
Real-time Bidding for Online Advertising: Measurement and Analysis
实时的【形】竞价（RTB），也就是程序化购买，最近已经成为在线广告中增长最快的领域。RTB不是批量购买和以库存为中心的购买，而是模仿证券交易所，利用计算机算法自动实时的【形】买卖广告;它使用每个印象上下文，并根据有关他们的数据将广告定位于特定人群，从而大大提高了显示广告的有效性。在本文中，我们提供了一个生产广告交易的实证分析和测量。利用从需求和供应两方面采样的数据，我们旨在提供对新兴的印象销售基础设施及其竞标行为的第一手见解，并帮助识别此类系统中的研究和设计问题。从我们的研究中，我们观察到周期性模式出现在各种统计数据中，包括展示，点击，出价和转化率（查看后和点击后），这表明时间依赖模型适用于捕捉RTB中的重复模式。我们还发现，尽管声称的第二价格拍卖，第一价格支付实际上是占总成本的55.4%，由于软地板价格的安排。因此，我们认为，在目前的RTB系统中设置软底价使广告客户处于不利地位。此外，我们对会话率的分析表明，目前的出价策略远不如最佳，这表明对优化算法的重大需求，这些算法将诸如广告显示的时间行为、频率和新近度等事实结合起来，这些事实在过去没有得到很好的考虑。
2013-06-27 cs.CE cs.GT cs.IR
Real Time Bid Optimization with Smooth Budget Delivery in Online Advertising
Turn Inc（Turn公司）
如今，每天都有数十亿的展示广告展示通过实时的竞价（RTB）交易所主办的公开拍卖进行购买。广告商必须在毫秒内做出决定，为每个选定的RTB广告请求提交出价。受预算限制，目标是购买一组广告展示，以达到尽可能多的目标用户。广告主特定的期望动作（转换）包括购买产品、填写表格、注册电子邮件等。此外，广告主通常更喜欢随着时间的推移平稳地花费他们的预算，以便在一天中接触到更广泛的受众，并产生可持续的影响。然而，由于转换很少发生，并且发生反馈通常延迟，因此同时实现预算和性能目标非常具有挑战性。在本文中，我们提出了一种在线方法，以顺利交付预算，同时优化转换性能。我们的算法试图选择高质量的印象，并调整投标价格的基础上，在一个自适应的方式，通过分配预算最佳跨时间的先验性能分布。我们从真实的广告活动的实验结果表明，我们所提出的方法的有效性。
2013-05-14 cs.GT cs.LG
Bidding Machine: Learning to Bid for Directly Optimizing Profits in Display Advertising
Meituan-Dianping Inc.（美团点评公司）；University College London（伦敦大学学院）
基于实时竞价（RTB）的显示广告已经成为计算广告中的关键技术进步之一。RTB使广告商能够通过实时拍卖购买个人广告展示，并促进多个广告商对个人展示的评估和出价。在RTB中，广告主在优化其出价策略时面临三个主要挑战，即（i）估计效用（例如，转换、点击），（ii）预测给定广告印象的市场价值（因此成本），以及（iii）基于前两者决定给定拍卖的最佳出价。先前的解决方案假设在解决投标优化问题之前解决前两个问题。然而，这些挑战是密切相关的，独立处理任何单个问题可能不是全局最优的。在本文中，我们提出了出价机，一个全面的学习出价框架，它由三个优化器处理上述每一个挑战，并作为一个整体，共同优化这三个部分。我们表明，这样的联合优化将大大提高运动的有效性和利润。从学习的角度来看，我们表明，投标机可以顺利更新离线定期批量或在线顺序训练计划。我们广泛的离线实证研究和在线A/B测试验证了所提出的投标机的高效率。
2018-03-11 cs.CY cs.GT cs.IR
Percentile Risk-Constrained Budget Pacing for Guaranteed Display Advertising in Online Optimization
针对担保展示广告预算节奏控制中的分布漂移与供需动态问题，提出RCPacing，利用Lagrange对偶乘子和百分位单调映射调节概率节流，并证明其$O(\sqrt{T})$动态遗憾，经淘宝离线与在线A/B测试验证有效。
2023-12-11 cs.GT
A dynamic pricing model for unifying programmatic guarantee and real-time bidding in display advertising
在展示广告中，有两种主要的展示方式。它们或者通过拍卖机制现货出售，或者通过担保合同提前出售。前者通过实时的【形】竞价（RTB）实现了显著的自动化;然而，后者仍然主要通过直接销售在柜台上完成。本文提出了一个数学模型，分配和价格之间的实时的【形】拍卖和保证合同的未来印象。在传统的经济假设下，我们的模型表明，这两种方式可以无缝结合编程和出版商的收入可以通过价格歧视和最优分配最大化。我们认为广告主是风险厌恶的，如果总成本低于他们的私人价值，他们会愿意购买有保证的印象。我们还认为，广告客户的购买行为可以同时受到保证价格和购买时间与印象交付日期之间的时间间隔的影响。我们的解决方案建议提前出售未来展示的最佳百分比，并提供一个明确的公式来计算以什么价格出售。我们发现最优保证价格是动态的，并且不随时间而减少。我们使用RTB数据集对我们的方法进行了评估，发现该模型根据竞争水平在分配和定价方面采取了不同的策略。从实验中我们发现，在一个竞争较少的市场，较低的价格的保证合同将鼓励提前购买，收入的增加主要是由未来RTB的竞争加剧。在竞争激烈的市场中，广告客户更愿意购买有保证的合同，因此预计价格会更高。收入增长主要来自保证销售。
2015-12-09 cs.GT
MEBS: Multi-task End-to-end Bid Shading for Multi-slot Display Advertising
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
针对多槽位展示广告的成本效益差异问题，提出多任务端到端出价shading方法MEBS，经理论证明最优且实验验证有效，显著提升交易额、投资回报率与广告购买量。
2024-03-05 cs.AI cs.GT
Statistical Arbitrage Mining for Display Advertising
我们研究和制定套利展示广告。实时竞价（RTB）模仿股票现货交易所，并利用计算机通过实时拍卖按印象通过算法购买显示广告。尽管有了新的自动化，但由于市场高度分散，广告市场的信息效率仍然很低。具有相似或相同效果的两个显示印象（例如，通过目标受众的转换率或点击率来衡量）可能在不同的细分市场或定价方案中以完全不同的价格出售。在本文中，我们提出了一种新的数据采掘范式称为统计套利挖掘（SAM）集中挖掘和利用两个定价方案之间的价格差异。从本质上讲，我们的SAMer是一个元投标人，可以在基于CPA（每次操作成本）的广告活动和基于CPM（每千次展示成本）的广告库存之间对冲广告主的风险;它根据估计的转化率、投标前景和从历史数据中了解到的其他统计数据，针对CPA广告活动组合，统计评估传入CPM投标请求的潜在利润和成本。在SAM中，（i）功能优化用于寻求最佳投标，以最大化预期套利净利润，以及（ii）基于组合的风险管理解决方案用于在一系列活动中重新分配投标量和预算，以进行风险和回报权衡。我们建议以EM方式联合优化这两个组件，以高效率帮助元投标人成功地抓住RTB中的瞬时统计套利机会。在真实世界大规模数据集上的离线实验和在商业平台上的在线A/B测试都证明了我们提出的解决方案在各种模型设置和市场环境中利用套利的有效性。
2015-06-11 cs.DB cs.GT
Towards Global Optimization in Display Advertising by Integrating Multimedia Metrics with Real-Time Bidding
实时的【形】竞价（RTB）已经成为显示广告中的新规范，其中发布者使用拍卖模型将在线用户的页面视图出售给广告商。在RTB中，具有最高出价的广告将显示给用户。这个广告展示过程偏向于发布者。事实上，广告主和用户的利益很少被讨论。对于全局最优化，我们认为，所有利益相关者的利益都应该考虑。为此，我们提出了一个新的计算框架，多媒体技术和拍卖理论相结合。本博士研究主要集中在1）找出影响在线广告效果的多媒体指标; 2）将发现的指标集成到RTB框架中。我们已经提出了一些初步的结果，并讨论了未来的发展方向。
2018-05-21 cs.GT cs.MM
Real-Time Bidding Benchmarking with iPinYou Dataset
作为一种新兴的展示广告模式，实时的竞价（RTB）通过实时的计算每个展示的出价，将竞价策略的焦点从上下文驱动到用户的兴趣。数据采掘工作，尤其是投标策略的制定，在这种以业绩为导向的业务中变得至关重要。然而，计算广告领域的研究人员一直苦于缺乏公开的基准数据集，这是必不可少的比较不同的算法和系统。幸运的是，一家领先的中国广告技术公司iPinYou决定在2013年发布其全球RTB算法竞赛中使用的数据集。该数据集包括广告拍卖、出价、展示、点击和最终转化的日志。这些日志反映了市场环境，并从广告商的角度形成了用户反应的完整路径。该数据集直接支持一些重要研究问题的实验，如出价优化和CTR估计。据我们所知，这是第一个关于RTB展示广告的公开数据集。因此，它们对于可重复性研究和了解整个RTB生态系统是有价值的。在本文中，我们首先提供了这个数据集的详细统计分析。然后介绍了RTB中投标优化的研究问题和简单而全面的评标协议。此外，还进行了一系列的基准实验，包括点击率（CTR）估计和出价优化。
2015-05-21 cs.CY cs.GT
Attribution Modeling Increases Efficiency of Bidding in Display Advertising
在广告交易所竞价时预测点击和转化概率是程序化广告行业的核心。以前的两行作品分别解决了i）用户转换概率的预测和ii）这些转换的归因于广告事件（如点击）。我们认为，归因建模提高了效率的投标政策的情况下，性能广告。首先，我们解释了标准投标政策的效率低下的属性。其次，我们学习和利用投标人本身的归因模型，并显示它如何修改点击后的平均出价。最后，我们提出的方法的有效性的证据，在离线和在线实验的数据跨越几个星期的实际流量从Criteo，在性能广告的领导者。
2017-07-21 cs.GT stat.ML
An Adaptable Budget Planner for Enhancing Budget-Constrained Auto-Bidding in Online Advertising
School of Computer Science, Peking University（北京大学计算机学院）；Center on Frontiers of Computing Studies, Peking University（北京大学计算科学前沿中心）；Alibaba Group（阿里巴巴集团）
本文提出少样本可适配预算规划器ABPlanner，通过分层竞价框架和上下文强化学习驱动的序贯决策，在不同广告主间快速调整预算分配，从而提升预算约束下自动竞价的累积价值。
2025-01-26 cs.GT cs.LG
Display Advertising with Real-Time Bidding (RTB) and Behavioural Targeting
近年来，在线展示广告最重要的进步是所谓的实时的竞价（RTB）机制，用于购买和出售广告。RTB本质上促进了在用户访问期间实时的购买单个广告印象。RTB不仅通过聚合出版商之间的大量可用库存来扩展购买过程，而且最重要的是，可以直接针对个人用户。因此，RTB从根本上改变了数字营销的格局。科学上，RTB对自动化、集成和优化的需求也为信息检索、数据采掘、机器学习和其他相关领域带来了新的研究机会。在这本专著中，概述了计算广告的基本基础设施，算法和技术解决方案。涵盖的主题包括用户响应预测，出价前景预测，出价算法，收入优化，统计套利，动态定价和广告欺诈检测。
2017-07-15 cs.GT
Optimized Cost per Click in Taobao Display Advertising
淘宝作为全球最大的在线零售平台，每天为数百万广告主提供数十亿次的在线展示广告展示。出于商业目的，广告商对特定的广告点和目标人群进行投标，以争夺商业流量。该平台在几十毫秒内选择最合适的广告显示。常见的定价方法包括每千次成本（CPM）和每次点击成本（CPC）。传统的广告系统针对用户的某些特征和具有固定出价的广告位置，本质上被认为是出价和流量质量的粗粒度匹配。然而，由竞争不同质量请求的广告主设置的固定出价不能完全优化广告主的关键需求。此外，平台还必须对业务收入和用户体验负责。因此，我们提出了一个出价优化策略称为优化每次点击成本（OCPC），自动调整出价，以实现更精细的匹配出价和流量质量的页面浏览（PV）请求粒度。我们的方法优化了广告主需求、平台业务收入和用户体验，整体上提高了流量分配效率。我们已经在淘宝展示广告系统的制作中验证了我们的方法。在线A/B测试表明，我们的算法产生了显着优于以往的固定出价方式。
2019-01-29 cs.GT stat.ML
Online Causal Inference for Advertising in Real-Time Bidding Auctions
Cornell Johnson（康奈尔大学约翰逊商学院）；Berkeley EECS（加州大学伯克利分校电气工程与计算机科学系）；Stanford GSB（斯坦福大学商学院）；UCSD Rady（加州大学圣迭戈分校雷迪管理学院）；Yale SOM（耶鲁大学管理学院）；Insper（因斯佩尔商学院）；Chicago Booth（芝加哥大学布斯商学院）；Temple Fox（天普大学福克斯商学院）
本文针对实时竞价拍卖中的广告效果评估问题，提出基于最优出价识别的因果推断方法，并设计自适应汤普森采样算法在最小化实验成本的同时恢复广告效果，理论和实验均验证了其优越性。
2024-02-26 cs.GT cs.LG econ.EM
Cost-Control in Display Advertising: Theory vs Practice
Zalando SE（Zalando SE（扎兰多））
针对展示广告对偶出价中成本约束仅渐近收敛导致成本控制失效的问题，本文修改最优出价公式，并通过真实数据大规模评估证明其可将成本违规降低50%。
2024-09-05 cs.AI cs.GT cs.LG
Bid Optimization by Multivariable Control in Display Advertising
Alibaba Group（阿里巴巴集团）
本文研究了在展示广告中，广告商在预算约束下最大化转化数量并设置点击成本（CPC）作为关键性能指标（KPI）约束的问题，通过将问题转化为线性规划问题，并利用对偶方法推导出最优竞价策略，同时提出基于反馈控制的多变量控制系统，通过淘宝实际数据验证了方法的有效性和优越性。
2019-05-24 cs.GT cs.SY eess.SY
Dynamic Bidding Strategies with Multivariate Feedback Control for Multiple Goals in Display Advertising
Copilot AI；Xaxis
实时竞价（RTB）展示广告是一种在毫秒内发生的拍卖中购买展示广告库存的方法。RTB活动的绩效通常通过一系列关键绩效指标（KPI）来衡量，这些指标用于确保活动具有成本效益，并购买有价值的库存。虽然RTB活动应该理想地满足所有KPI，但同时改进往往非常具有挑战性，因为任何一个KPI的改进都有可能对其他KPI产生不利影响。在这里，我们提出了一种方法，同时控制多个KPI与基于PID的反馈控制系统。该方法基于PID控制器模块的输出和量化每个KPI对于内部业务需求的重要性的度量来为每个KPI生成控制分数。定期，此算法-顺序控制-将选择具有最大总体改进需求的KPI。通过这种方式，我们的算法能够不断寻求对其当前状态的最大边际改进。多个控制方法可以与每个KPI相关联，并且可以同时触发或随机选择，以避免局部最优。在离线广告竞价模拟和实时流量测试中，我们的方法被证明可以有效地同时控制多个KPI，并使它们达到各自的目标。
2020-06-01 cs.GT cs.LG stat.ML
MCMF: Multi-Constraints With Merging Features Bid Optimization in Online Display Advertising
在实时竞价（RTB）中，广告主越来越多地依赖出价优化来获得更多的转换（即交易或到达）。目前，投标优化的效率仍然受到反馈稀疏、预算管理与优化分离、投标环境建模缺失等问题的挑战。转换反馈是延迟和稀疏的，但大多数方法依赖于密集输入（印象或点击）。此外，大多数方法都是在两个阶段实现的：最佳制定和预算管理，但分离总是会降低性能。同时，由于投标环境建模的缺乏，无模型控制器被普遍采用，其在稀疏反馈下的性能较差，导致控制不稳定。我们解决这些挑战，并提供多约束合并功能（MCMF）框架。它收集各种投标状态作为合并功能，以保证稀疏和延迟反馈的性能。将成本函数表示为动态最优解，并进行预算管理，使优化与预算管理不分离。根据成本函数，基于赫布学习规则的近似梯度能够更新MCMF，即使没有建模的投标环境。我们的技术在开放数据集中表现最好，即使在极端稀疏的情况下也能提供稳定的预算管理。MCMF应用于我们实际的RTB生产，我们获得了2.69%的转化率，减少了2.46%的支出。
2022-06-27 cs.CE cs.GT
HMAF: A Hierarchical Multi-Slot GD-RTB Allocation Framework
Meituan（美团）；Nanyang Technological University（南洋理工大学）；China Agricultural University（中国农业大学）
针对GD与RTB共存广告平台中短期收益与长期交付的平衡难题，提出分层多槽分配框架HMAF，采用计划-校准-执行范式，集成离线约束优化与在线决策，在美团实现GD交付率提升3.72%、广告总收入提升1.59%。
2026-06-04 cs.AI cs.GT cs.LG
Combining guaranteed and spot markets in display advertising: Selling guaranteed page views with stochastic demand
虽然页面浏览量通常在用户访问网站时通过实时拍卖立即出售，但也可以通过担保合同提前出售。在本文中，我们提出了一个动态规划模型来研究如何在线出版商应最佳分配和定价之间的保证和现货市场的页面浏览量。这个问题是具有挑战性的，因为保证合同的分配和定价影响广告客户如何在两个市场之间分配他们的购买，并且模型的最终价值由拍卖中更新的供求双重力量内生地决定。我们考虑广告客户的购买行为，即，风险厌恶和随机需求到达的最优解，并提出了一个可扩展的和有效的算法。该模型还与商业数据集进行了经验验证。实验结果表明，通过这两个渠道销售页面浏览量可以增加出版商的预期总收入，并且最佳定价和分配策略对不同的市场和广告商类型具有鲁棒性。
2019-12-11 cs.GT
Risk-aware dynamic reserve prices of programmatic guarantee in display advertising
展示广告是一种重要的在线广告类型，网站上的横幅广告（简称广告）通常通过在线用户观看的次数来衡量。有两个主要渠道出售广告的意见。它们可以实时的拍卖，也可以提前通过担保合同直接出售。前者也被称为实时竞价（RTB），其中媒体买家来到一个共同的市场竞争单个广告视图，并且该库存将通过拍卖模型在毫秒内分配给买家。与RTB不同，购买和出售担保合同通常不是程序化的，而是通过私人谈判，因为广告商希望定制他们的请求并批量购买广告浏览量。在本文中，我们提出了一个简单的模型，有利于自动化的直销。在我们的模型中，媒体销售商将未来的广告浏览量出售，并随着时间的推移连续接收购买请求，直到未来的交付期。卖方保持一个隐藏但动态变化的底价，以决定是否接受购买请求。假设未来的供应和需求是很好的估计和静态的，并且模型的收入管理使用库存控制理论，其中每个计算的反向价格基于更新的供应和需求，并且未售出的未来广告视图将在RTB中拍卖以满足未满足的需求。该模型有几个理想的属性。首先，它不限于需求到达假设。其次，它不会影响RTB和直销之间的现有平衡，因为没有公布的保证价格。第三，该模型使用的预期收入从RTB作为库存控制的下限，我们表明，出版商可以收到预期的总收入大于或等于那些只有RTB，如果她使用计算的动态储备价格直接销售。
2017-01-18 cs.GT
Algorithmic Methods for Sponsored Search Advertising
现代商业因特网搜索引擎响应于用户查询而沿着搜索结果显示广告。这种赞助搜索依赖于市场机制来为这些广告定价，利用广告商之间的拍卖，这些广告商出价以使他们的广告针对特定关键字显示。我们目前的系统，这样的拍卖的概述，也描述了基本的博弈论方面。这个游戏涉及到三方--广告商、搜索引擎和搜索用户--我们提出了强调每一方作用的示例研究方向。这些博弈中的投标和定价算法使用了三个数学领域的技术：机制设计、最优化和统计估计。最后，我们提出了一些挑战，在赞助搜索广告。
2008-05-12 cs.GT
Revenue in First- and Second-Price Display Advertising Auctions: Understanding Markets with Learning Agents
本文研究展示广告拍卖从SPA转向FPA对收益的影响，通过分析建模和数值实验探索学习智能体的收敛行为，发现收益等价不成立，合谋非FPA收益低的原因。
2024-12-03 cs.GT
Bidders' Responses to Auction Format Change in Internet Display Advertising Auctions
FEN U. de Chile（智利大学工程学院）；Data Science at People, Inc（People公司数据科学部）
本文研究了新拍卖格式引入对投标行为的影响，通过实证数据发现采用第一价格拍卖后，成交价格显著上升，但随时间推移逐渐回落，揭示了投标策略的渐进调整过程。
2026-07-21 cs.GT econ.GN q-fin.EC
YourAdvalue: Measuring Advertising Price Dynamics without Bankrupting User Privacy
实时的竞价（RTB）协议到现在已经有十多年的历史了。在此期间，一些测量论文研究了投标策略，个人信息流和通过RTB显示广告的成本。在本文中，我们提出了YourAdvalue，一个隐私保护工具，以简单直观的方式向最终用户显示通过RTB看到的广告价值。使用YourAdvalue，我们测量了桌面RTB的价格，并将其与过去工作报告的桌面和移动RTB价格进行了比较。我们介绍了它如何估计加密的广告价格，以及它如何在将结果报告给数据服务器进行分析的同时保护用户隐私。我们部署了我们的系统，传播了它的浏览器扩展，并收集了200个用户的数据，包括11个月内的12000次广告展示。通过分析这个数据集，我们发现桌面RTB价格比2013年的桌面RTB价格增长了4.6倍，比2015年的移动RTB价格增长了3.8倍。我们还研究了用户人口统计数据如何与RTB生态系统跟踪的强度相关联，从而导致更高的广告价格。我们发现，通过Cookie同步在广告商和/或数据经纪人之间交换数据，可以使显示广告的中值增加19%。我们还发现，女性和年轻用户更有针对性，比男性或老年用户遭受更多跟踪（通过cookie同步）。由于我们数据集中的这种定位，女性的广告价值（i）比男性高2.4倍，（ii）25-34岁的人比35-44岁的人高2.5倍，（iii）在周末和清晨最昂贵。
2021-11-04 cs.CR cs.GT cs.NI
A lattice framework for pricing display advertisement options with the stochastic volatility underlying model
广告（简称广告）选项是在线广告的最新发展。简单地说，广告选项是一种先看合同，在这种合同中，发布商或搜索引擎授予广告商权利，但没有义务进入交易，以在特定交付日期以预先指定的价格购买特定广告位的展示或点击。这种结构为广告商提供了更大的保证交付灵活性。广告期权的定价是一个重要的研究课题，以往对广告期权定价的研究大多局限于价格服从几何布朗运动的情形。这一假设对于赞助搜索是合理的;然而，一些研究也表明，它对显示广告无效。在本文中，我们解决这个问题，采用随机波动率（SV）模型，并讨论了一个格子框架，以近似建议SV模型在期权定价。通过对真实广告数据的实验验证了我们的发展：（i）我们发现SV模型比GBM模型具有更好的适应性;（ii）我们通过两种顺序蒙特卡罗模拟方法验证了所提出的格模型;（iii）我们证明广告商能够通过使用所提出的选项来灵活地管理他们的保证交付，并且当出版商的一些库存通过广告选项出售时，出版商可以具有增加的收入。
2015-12-09 cs.GT q-fin.CP
General Auction Mechanism for Search Advertising
在赞助搜索中，搜索结果页面上有许多广告位可用，并且必须在一组竞争在页面上显示广告的广告商之间分配。这就产生了一个双边匹配市场，通常通过自动拍卖的方式进行清算。已经提出了几种拍卖机制，其中普遍第二价格的变体在实践中得到广泛使用。大量关于双边匹配市场的研究建立在盖尔和沙普利的稳定婚姻模型以及沙普利和舒比克的分配模型之上。我们从这条线的研究到稳定的结果和他们的激励属性的结构，以广告拍卖的见解。我们的模型广告拍卖的分配模型与线性效用，扩展与投标人和项目特定的最高和最低价格。拍卖机制，如常用的GSP或著名的Vickrey-Clarke-Groves（VCG）被解释为简单地计算一个\emph{bidder-optimal stable matching}在这个模型中，一个适当定义的一组投标人的喜好。在我们的模型中，存在一个稳定的匹配是有保证的，并在非退化的假设下，投标人最优的稳定匹配存在。我们给出了一个算法，找到这样的匹配在多项式时间，并使用它来设计真实的机制，推广普惠制，是真实的利润最大化的投标人，实现功能，如投标人特定的最低价格和位置特定的出价，并为丰富的投标人和偏好的混合物。
2008-07-08 cs.GT
Online Allocation and Display Ads Optimization with Surplus Supply
在这项工作中，我们研究的情况下，出版商寻求最大限度地提高其总收入在两个销售渠道：保证合同，承诺提供一定数量的印象给广告客户，并通过广告交易所现货需求。一方面，如果一个保证合同没有完全交付，它会给出版商带来惩罚。另一方面，发布者可能能够在广告交易所以高价出售展示。出版商如何最大限度地提高其总收入，即广告交换的收入和交付不足罚款的损失之和？我们研究这个问题参数化的\emph{supply factor $f$}：一个概念，我们介绍，直观地说，捕获的次数，出版商可以满足所有的保证合同的库存供应。在这项工作中，我们提出了一个快速简单的确定性算法的最佳竞争比。该算法和最优竞争比是供应因子、惩罚和广告交换中出价分布的函数。除了产量优化问题，经典的在线分配问题，如在线二分匹配[Karp-Vazirani-Vazirani '90]及其顶点加权变体[Aggarwal等人。'11]可以在存在由供应因子保证的额外供应的情况下进行研究。我们发现，$f$的供应因子提高了从$1-1/e$到$f-fe^{-1/f}$的近似因子。我们的近似因子是紧的，并且以$f \to \infty$的形式逼近$1$。
2021-07-14 cs.DS cs.GT
Optimal Calibrated Signaling in Digital Auctions
针对数字广告拍卖中平台与广告主的CTR信息不对称问题，提出校准信令机制，刻画二价拍卖下最优校准信令的结构并给出高效计算方法及近似方案，实现平台收益优化。
2025-07-23 cs.GT cs.IR econ.TH
Online Allocation with Traffic Spikes: Mixing Adversarial and Stochastic Models
受互联网广告应用的启发，在线分配问题在各种对抗和随机模型中得到了广泛的研究。虽然对抗性到达模型过于悲观，但许多随机（如i.i.d或随机顺序）到达模型并不能真实地捕捉预测中的不确定性。这种不确定性的一个重要原因是不可预测的流量峰值的存在，通常是由于突发新闻或类似事件。为了解决这个问题，已经提出了一个同时近似框架来开发在对抗和随机模型中都能很好地工作的算法;然而，这个框架并不能使算法在做出在线决策时很好地利用部分准确的预测。在本文中，我们提出了一个强大的在线随机模型，捕捉在线广告的流量峰值的性质。在我们的模型中，除了我们有很好的预测的随机输入之外，还有一个未知数量的印象到达，这些印象是相反选择的。我们设计的算法结合了随机算法和在线算法，自适应地对不准确的预测做出反应。在这个框架中，我们为我们的新算法提供了可证明的界限。我们伴随着我们的积极成果与一组硬度的结果表明，我们的算法是不远处，在这个框架中的最佳。作为我们的结果的副产品，我们还提出了改进的在线算法的同时近似框架的轻微变化。
2017-11-15 cs.DS cs.GT
Contextual Generative Auction with Permutation-level Externalities for Online Advertising
本文提出上下文生成式拍卖（CGA），通过自回归模型建模排列级外部性并解耦分配与支付优化，显著提升在线广告拍卖的平台收入与点击率。
2024-12-16 cs.GT
Optimizing Floors in First Price Auctions: an Empirical Study of Yahoo Advertising
Yahoo（雅虎）；Moloco（莫洛科）
本文提出一种在第一价格拍卖中设置底价的模型，已在雅虎实施，显著提升展示广告和视频广告的年化增量收入，分别达1.3%和2.5%。
2024-02-09 cs.GT cs.LG
Online Advertising with Spatial Interactions
Google Research（谷歌研究院）；School of Computer Science, Georgia Tech（佐治亚理工学院计算机学院）
本文提出了一种考虑广告位置空间影响的框架，分析了两种广告分配模型，并展示了在不同模型下设计高效诚实机制的复杂性。
2026-02-12 cs.GT
Optimal Real-Time Bidding Frameworks Discussion
本文是对论文“展示广告最优实时的【形】竞价，KDD 2014”中最优实时的【形】竞价函数求解的补充材料，其中以估计成本作为竞价价格，即，真实成本的上限。在这里，我们讨论一个更一般的出价优化框架与各种效用和成本函数。
2016-02-02 cs.GT
A novel auction system for selecting advertisements in Real-Time bidding
Technological University Dublin（都柏林理工大学）；University of Murcia（穆尔西亚大学）
实时的【形】竞价是近年来非常流行的一种新的互联网广告系统。这个系统的工作原理就像一个全球拍卖，广告商出价显示他们的印象在出版商的广告位。最流行的选择哪个广告商赢得每次拍卖的系统是广义第二价格拍卖，其中提供最多的广告商赢得赌注，并收取第二大赌注的价格。在本文中，我们提出了一种新的方法，不仅考虑了经济方面，但也为广告系统的运作其他相关因素的替代投注系统。我们考虑的因素包括，可以给每个广告商带来的好处，广告转换的概率，访问是欺诈性的概率，参与RTB的网络的平衡程度以及广告商是否没有支付超过市场价格的费用。此外，我们提出了一种基于遗传算法的方法来优化每个广告客户的选择。我们还进行了一些实验，以比较所提出的模型与著名的广义第二价格方法的性能。我们认为，这种新方法考虑了除价格之外的更多相关方面，在中长期内为RTB网络提供了更大的好处。
2020-10-22 cs.DS cs.GT cs.LG
Maximizing the Success Probability of Policy Allocations in Online Systems
Criteo AI Lab（Criteo AI实验室）；Criteo Ad Landscape（Criteo广告景观）
针对在线广告中策略分配问题，提出SuccessProbaMax算法，以最大化成功概率为目标，替代传统期望值最大化，实验证明其在成功率上更优。
2023-12-26 cs.GT cs.IR cs.LG
