Utility Maximizer or Value Maximizer: Mechanism Design for Mixed Bidders in Online Advertising
数字广告是在线平台的主要收入来源之一。近年来，一些广告主倾向于采用自动竞价工具来促进广告效果的优化，使得拍卖理论中经典的\emph{utility maximizer}模型不能很好地拟合。最近的一些研究为具有投资回报率（ROI）约束的自动竞价广告商提出了一种名为\emph{value maximizer}的新模型。然而，无论是效用最大化还是价值最大化模型，都只能刻画真实世界广告平台中的部分广告主。在效用最大化者和价值最大化者共存的混合环境中，真实的广告拍卖设计将是具有挑战性的，因为投标人可以操纵他们的价值和所属类别，导致多参数机制设计问题。在这项工作中，我们解决这个问题，提出了一个支付规则，结合了相应的经典VCG和GSP机制在一个新的方式。基于这一支付规则，我们提出了一个真实的拍卖机制与社会福利的$2$的近似比率，这是接近的下限至少$\frac{5}{4}$，我们也证明。所设计的拍卖机制是对效用最大化者的向量协商模型和对价值最大化者的广义一般协商模型的推广。
2022-11-30 cs.GT
Double-Sided Markets with Strategic Multi-dimensional Players
我们考虑的市场机制是双边的，至少在一边有多维战略空间的参与者。市场参与者具有战略性，并采取行动优化自己的效用。另一方面，机制设计者旨在优化社会目标，即，贸易的收益。我们专注于这种设置的一个例子，其动机是可预见的未来形式的在线广告。在线广告目前支持一些最重要的互联网服务，包括：搜索，社交媒体和用户生成的内容网站。为了克服隐私问题，有人建议通过信息经纪人将用户信息市场引入在线广告生态系统。这样的市场让用户可以控制哪些数据在在线广告交换中共享。我们描述了一个模型，为上述可预见的未来形式的在线广告，并设计了两种机制，这个模型的交流：一个确定性的机制，这是相关的大量文献的机制设计，通过贸易减少，并允许玩家与多维的战略空间，和一个随机机制，可以处理一个更一般的版本的模型。
2016-11-14 cs.GT
Cross-channel Budget Coordination for Online Advertising System
本文提出跨渠道广告协调预算分配框架AdCob，通过建模广告主竞争并采用带熵约束的迭代算法，实现全局转化最大化，离线与在线实验验证其有效性。
2023-05-09 cs.GT cs.SI
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
IC Mechanisms for Risk-Averse Advertisers in the Online Advertising System
针对自动竞价系统中AIC机制在运行期失效、损害风险厌恶广告主真实出价的问题，本文提出解耦第一价格拍卖DFP机制，并设计基于PPO的强化学习算法动态调整支付，以保持运行期激励相容。
2024-11-20 cs.GT
Reach Measurement, Optimization and Frequency Capping In Targeted Online Advertising Under k-Anonymity
LinkedIn Corporation（领英公司）
本文研究 $k$-匿名隐私约束下定向在线广告的触达测量与优化，提出概率折扣方法改造传统频次封顶，并通过实验量化隐私与广告效果的权衡。
2025-01-08 cs.AI cs.GT cs.LG
Vulnerabilities of Single-Round Incentive Compatibility in Auto-bidding: Theory and Evidence from ROI-Constrained Online Advertising Markets
本文研究 ROI 约束在线广告自动出价市场，证明第二价格拍卖的单轮 IC 存在计算困难、非单调、效用不稳和干扰 A/B 测试等缺陷。
2024-05-11 cs.GT
On Designing a Two-stage Auction for Online Advertising
对于工业在线广告系统的可扩展性，两阶段拍卖架构被广泛用于在有限的响应时间内在大量语料库上实现高效的广告分配。目前采用的两阶段广告拍卖通常在拍卖前阶段通过粗略的广告质量度量来获取广告子集，然后在后续阶段通过细化的度量来确定拍卖结果。然而，这种简单且贪婪的解决方案遭受严重的性能下降，因为它单独考虑每个阶段中的决策，导致用于拍卖前阶段的不适当的广告选择度量。在这项工作中，我们明确调查的粗糙和精细的广告质量指标之间的关系，并设计了一个两阶段的广告拍卖，考虑到这两个阶段之间的决策相互作用。我们解耦的两阶段拍卖的设计，通过解决一个随机的子集选择问题在拍卖前的阶段，并进行一般的第二价格（GSP）拍卖在第二阶段。我们证明了这种解耦仍然保持了拍卖机制的激励相容性。由于建议制定的预拍卖阶段是一个NP-难的问题，我们提出了一个可扩展的近似解决方案，通过定义一个新的子集选择度量，即预拍卖分数（PAS）。在公共数据集和行业数据集上的实验结果表明，与传统的贪婪两阶段拍卖和其他基准拍卖相比，两阶段拍卖在社会福利和收益方面都有显著的改善。
2021-11-10 cs.GT
Advertising for Demographically Fair Outcomes
谷歌或Facebook等平台上的在线广告已成为不可或缺的外联工具，包括希望以公平的方式吸引不同人口的应用程序，如招聘，住房，公民进程和公共卫生外联工作。有些令人惊讶的是，现有的在线广告生态系统对向（和招募）人口统计学上具有代表性的群体投放广告提供的支持非常少。我们从实证和算法的角度研究了人口统计学代表性的广告问题。从本质上讲，我们寻求广告活动产生的结果或转换的公平性。我们首先提出了详细的实证研究结果，从现实世界的实验招募公民的过程中，使用它，我们表明，使用Facebook推断的功能的方法是太不准确的实现公平的结果，而通过自定义的目标受众的基础上的一个名单上的注册选民划分的已知属性具有更高的准确性。这促使我们考虑算法问题，将具有已知属性的个人列表最佳分割为几个自定义活动，并为它们分配预算，以便我们在最大可能数量的人口统计数据上经济有效地实现与人口的结果均等。在假设平台可以合理地强制执行跨人口统计的支出比例的情况下，我们针对这个问题提出了高效的精确和近似算法。我们目前的模拟结果，我们的数据集显示这些算法在实现人口均等的功效。
2020-06-12 cs.GT
Truthful Auctions for Automated Bidding in Online Advertising
针对广告主价值公开而预算、ROI等财务约束私有的自动竞价场景，论文推导真实性条件并提出基于个性化排名分数和临界ROI的GSP式真实拍卖机制，实验证明其优于一价与二价拍卖。
2023-08-19 cs.GT
An Analysis of Selection Bias Issue for Online Advertising
Yahoo Japan Corporation（雅虎日本公司）
在在线广告中，一组潜在的广告可以通过某个拍卖系统进行排名，其中通常前1个广告将被选择并显示在广告空间处。在本文中，我们展示了一个选择偏差的问题，是目前在拍卖系统。我们分析了选择偏差破坏了拍卖的真实性，这意味着拍卖中的买家（广告商）不能最大化他们的利润。虽然选择偏差在统计学领域是众所周知的，并且有很多关于它的研究，但我们的主要贡献是将选择偏差的理论分析与拍卖机制结合起来。在我们的实验中，使用在线A/B测试，我们评估的选择偏差的拍卖系统的排名分数是预测的CTR（点击率）的广告。实验表明，通过使用学习所有广告数据的多任务学习，选择偏差大大减少。
2022-06-07 cs.GT cs.IR cs.LG
Optimized Cost Per Click in Online Advertising: A Theoretical Analysis
本文首次从经济学视角构建模型，比较OCPC与CPC、CPA在站外场景和外部选择影响下的表现，揭示OCPC可替代CPA并可能超越CPC，为平台定价模型选择提供理论依据。
2024-05-23 cs.GT econ.TH
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
Truthful Aggregation of LLMs with an Application to Online Advertising
University of Zurich（苏黎世大学）；ETH AI Center（ETH人工智能中心）；Harvard University（哈佛大学）
针对在线广告中广告商与用户偏好冲突、广告商可能谎报偏好的问题，提出无需LLM微调或模型权重的MOSAIC拍卖机制，确保真实报告为占优策略，提升社会福利与收益，可推广至货币转移场景。
2025-02-12 cs.AI cs.GT
A Multi-Agent Reinforcement Learning Method for Impression Allocation in Online Display Advertising
Alibaba Group（阿里巴巴集团）
在在线展示广告中，保证合同和实时竞价（RTB）是出版商销售展示的两种主要方式。尽管RTB越来越受欢迎，但仍有一半的在线展示广告收入来自担保合同。因此，通过保证合同和RTB同时销售展示是出版商最大化其收益的直接选择。然而，得出分配印象的最佳策略并不是一项简单的任务，特别是当现实世界中的应用环境不稳定时。在本文中，我们制定的印象分配问题作为一个拍卖问题，每个合同可以提交虚拟投标的个人印象。有了这个公式，我们通过求解合同的最优投标函数来获得最优印象分配策略。由于合同的出价是由出版商决定的，我们提出了一个多智能体强化学习（MARL）的方法来获得合作政策的出版商，以最大限度地提高其产量在一个不稳定的环境。该方法还解决了MARL中常见的输入维爆炸、奖励信用分配和非平稳环境等问题。在大规模真实数据集上的实验验证了该方法的有效性。
2018-09-10 cs.AI cs.GT cs.LG
Deterministic-Allocation and Anonymous Joint Advertising in E-commerce Platforms
Meituan Inc.（美团）；University of California, San Diego（加州大学圣地亚哥分校）
本文研究了电子商务平台中确定性分配与匿名联合广告的问题，提出了一种基于transformer的神经网络架构JTransNet，用于最优的确定性分配和匿名联合拍卖设计，实验表明其在联合拍卖场景中显著提升了平台收益。
2026-06-12 cs.GT
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
Efficiency of Proportional Mechanisms in Online Auto-Bidding Advertising
本文研究了自动竞价中比例机制的效率，通过建立紧致的PoA界和改进的支付方案，实现了更优的效率保障。
2026-04-24 cs.AI cs.DS 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
Portfolio Allocation for Sellers in Online Advertising
在在线广告市场，一些广告商只在用户对广告做出回应时才付费。因此，出版商估计广告响应率，乘以广告商出价，以估计显示广告的预期收入。由于这些估计可能不准确，发布商可能无法为每个广告呼叫选择能够最大化收入的广告。收入的差异可以分解为两个部分-由于“不确定性”造成的差异，因为真实的响应率是未知的，以及由于“随机性”造成的差异，因为实际响应统计数据在真实响应率周围波动。在一系列的广告呼叫中，由于随机性的差异几乎消失，这是由于大数定律。然而，由于不确定性而产生的方差并没有减少。我们介绍了一种广告选择技术，增强了现有的估计和探索利用方法。该技术使用组合优化的方法来产生广告分布，而不是选择最大化估计预期收入的单个广告。在一系列类似的广告呼叫中，根据分布选择广告。这种方法减少了不确定性的影响，增加了收入。
2015-06-05 cs.GT q-fin.PM q-fin.RM
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
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
Mechanism Design for Mobile Geo-Location Advertising
移动地理位置广告，其中移动广告基于用户的位置进行定位，已被确定为移动市场的关键增长因素。与在线广告一样，其成功的一个关键因素是有效经济机制的发展。一个重要的区别是，移动广告会随着时间的推移按顺序显示，用户的信息可以根据他们的动作来了解。此外，广告需要有选择地显示，以防止广告疲劳。为此，我们首次引入了一个用户模型和适当的经济机制，其中考虑到这些因素。具体来说，我们设计了两个真实的机制，产生一个广告计划的基础上，用户的运动。一种机制在分配上是有效的，但在最坏的情况下需要指数计算时间。另一种需要多项式时间，但分配效率不高。最后，我们实验评估我们的机制的计算时间和效率之间的权衡。
2014-04-15 cs.GT
Stochastic Bandits for Multi-platform Budget Optimization in Online Advertising
Facebook Core Data Science（Facebook核心数据科学部门）；Sapienza University of Rome（罗马大学）；Facebook AI Applied Research（Facebook人工智能应用研究部门）
我们研究的问题，一个在线广告系统，希望以最佳的方式花费广告客户的给定预算的活动在多个平台上，不知道的价值为显示广告的用户在这些平台上。我们模拟这个具有挑战性的实际应用作为一个背包问题的随机土匪在$T$轮的投标与一组不同的投标$m$ -元组，其中$m$是平台的数量的一组武器。我们修改了Badanidiyuru \emph{et al.,}中提出的算法，将其扩展到多平台的情况下，获得离散和连续出价空间的算法。也就是说，对于离散投标空间，我们给出了一个带遗憾的算法$O\left(OPT \sqrt {\frac{mn}{B} }+ \sqrt{mn OPT}\right)$，其中$OPT$是已知分布的最优算法的性能。对于连续的出价空间，我们的算法的遗憾是$\tilde{O}\left(m^{1/3} \cdot \min\left\{ B^{2/3}, (m T)^{2/3} \right\} \right)$。当限制到这种特殊情况时，这个界限在$OPT \ll T$体系中比Sankararaman和Slivkins更好，就像手头的特定应用中的情况一样。其次，我们显示了一个$ Ω\left (\sqrt {m OPT} \right)$的离散情况下的下限和一个$Ω\left( m^{1/3} B^{2/3}\right)$的连续设置的下限，几乎匹配的上限。最后，我们使用了一个来自一家拥有…
2021-03-25 cs.GT cs.LG
Profit Maximization for Online Advertising Demand-Side Platforms
我们开发了一个最优化模型和相应的算法的需求方平台（DSP）的管理，从而DSP的目标是最大限度地提高自己的利润，同时获得有价值的印象，为广告客户。我们制定的利润最大化的DSP与广告交易所在实时招标环境中的每次点击成本/每次行动成本定价模型的问题。我们提出的公式导致一个非凸的最优化问题，由于联合优化的印象分配和投标价格的决定。我们使用拉格朗日松弛开发一个易于处理的凸对偶问题，其中，由于第二价格拍卖的属性，可以有效地解决次梯度方法。我们提出了一个两阶段的解决方案的过程中，在第一阶段，我们解决了凸对偶问题，使用次梯度法，并在第二阶段，我们使用以前计算的对偶解，以设置投标价格，然后解决一个线性最优化问题，以获得分配概率变量。在几个合成的例子中，我们证明了我们提出的解决方案的方法，导致优越的性能在实践中使用的基线方法。
2017-06-06 cs.GT math.OC
An Adaptable Budget Planner for Enhancing Budget-Constrained Auto-Bidding in Online Advertising
School of Computer Science, Peking University（北京大学计算机学院）；Center on Frontiers of Computing Studies, Peking University（北京大学计算科学前沿中心）；Alibaba Group（阿里巴巴集团）
本文提出少样本可适配预算规划器ABPlanner，通过分层竞价框架和上下文强化学习驱动的序贯决策，在不同广告主间快速调整预算分配，从而提升预算约束下自动竞价的累积价值。
2025-01-26 cs.GT cs.LG
Real-time Bidding for Online Advertising: Measurement and Analysis
实时的【形】竞价（RTB），也就是程序化购买，最近已经成为在线广告中增长最快的领域。RTB不是批量购买和以库存为中心的购买，而是模仿证券交易所，利用计算机算法自动实时的【形】买卖广告;它使用每个印象上下文，并根据有关他们的数据将广告定位于特定人群，从而大大提高了显示广告的有效性。在本文中，我们提供了一个生产广告交易的实证分析和测量。利用从需求和供应两方面采样的数据，我们旨在提供对新兴的印象销售基础设施及其竞标行为的第一手见解，并帮助识别此类系统中的研究和设计问题。从我们的研究中，我们观察到周期性模式出现在各种统计数据中，包括展示，点击，出价和转化率（查看后和点击后），这表明时间依赖模型适用于捕捉RTB中的重复模式。我们还发现，尽管声称的第二价格拍卖，第一价格支付实际上是占总成本的55.4%，由于软地板价格的安排。因此，我们认为，在目前的RTB系统中设置软底价使广告客户处于不利地位。此外，我们对会话率的分析表明，目前的出价策略远不如最佳，这表明对优化算法的重大需求，这些算法将诸如广告显示的时间行为、频率和新近度等事实结合起来，这些事实在过去没有得到很好的考虑。
2013-06-27 cs.CE cs.GT cs.IR
A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising
MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（模式分析与机器智能工信部重点实验室）；Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
在在线广告中，自动竞价已成为广告商通过简单表达高级活动目标和限制来优化其首选广告性能指标的重要工具。以往的自动投标工具都是从单Agent的角度设计的，没有对Agent之间的相互影响进行建模。在本文中，我们反而考虑这个问题，从分布式多代理的角度来看，并提出了一个通用的$\underline{M}$多$\underline{A}$代理强化学习框架$\underline{A}$ uto- $\underline{B}$ idding，即MAAB，学习自动投标策略。首先，我们研究了自动投标代理之间的竞争和合作关系，并提出了一个温度正则化的信用分配，建立一个混合的合作竞争范式。通过仔细地在代理商之间进行竞争和合作权衡，我们可以达到一个均衡状态，该状态不仅保证了单个广告商的效用，而且还保证了系统性能（即，社会福利）。其次，为了避免潜在的串通行为的出价低价格的合作，我们进一步提出了酒吧代理人设置个性化的出价酒吧，每个代理人，然后减轻收入下降，由于合作。第三，为了在拥有数百万广告主的大规模广告系统中部署MAAB，我们提出了一种平均场方法。通过将具有相同目标的广告主分组为平均自动投标代理，大大简化了大规模广告主之间的交互，使得有效地训练MAAB变得切实可行。在离线工业数据集和阿里巴巴广告平台上的大量实验表明，我们的方法在社会福利和收入方面优于几种基线方法。
2022-01-05 cs.AI cs.GT cs.MA
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
Optimizing Ad Allocation in Social Advertising
社交广告（或社交推广）是一种有效的方法，通过在线社交网络中的影响力产生大量的采用。这项工作的目标是从平台的角度优化广告分配。一方面，平台希望通过向尽可能多的人展示广告来最大限度地提高每个广告主的收入，另一方面，平台希望减少搭便车，以确保广告主的真实性。为了获得这种折衷，我们采用\emph{regret} \citep{viral2015social}的概念来测量广告分配方案的性能。特别是，我们研究了两个社会广告问题：\emph{budgeted social advertising problem}和\emph{unconstrained social advertising problem}。在第一个问题中，我们的目标是为每个广告客户选择一组种子，最大限度地减少遗憾，同时设置预算约束的注意力成本;在第二个问题中，我们建议优化的遗憾和注意力成本的线性组合。我们证明了这两个问题都是NP-困难的，然后对每个问题提出了一个常数因子近似算法。
2015-05-13 cs.GT cs.SI
Smart Pacing for Effective Online Ad Campaign Optimization
Yahoo Inc.（雅虎公司）
在有针对性的在线广告中，广告主寻求在预算时间表内在交付约束下最大化活动绩效。大多数广告商通常更喜欢施加交付约束，以便在一段时间内顺利地花费预算，以便接触更广泛的受众并产生可持续的影响。由于今天在线广告的大量展示是通过公开拍卖进行交易的，因此流动性使得价格弹性和供需之间的竞标格局非常动态地变化。因此，同时执行平稳的起搏控制和最大化活动性能是具有挑战性的。在本文中，我们提出了一种智能节奏的方法，其中每个活动的交付速度是从离线和在线数据中学习，以实现平稳交付和最佳性能目标。最后给出了该方法在实际DSP系统中的实现。在真实的在线广告活动和离线模拟的实验评估表明，我们的方法可以有效地提高活动的性能和实现交付目标。
2015-06-18 cs.AI cs.GT
Optimal Auction Design in the Joint Advertising
Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学人工智能学院）；Beijing Key Laboratory of Research on Large Models（北京大型模型研究重点实验室）；Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索工程研究中心）
本文针对联合广告提出单广告位最优机制，并设计基于组合的神经网络方法BundleNet解决多广告位场景，实验表明其在提升平台收入的同时保证了激励兼容与个体理性。
2025-07-10 cs.AI cs.GT
