An Adaptive Unified Allocation Framework for Guaranteed Display Advertising
Xiao Cheng, Chuanren Liu, Liang Dai, Peng Zhang, Zhen Fang , Zhonglin Zu
Alibaba Group, The University of Tennessee
https://dl.acm.org/doi/pdf/10.1145/3488560.3498500
合约广告在电子商务市场中应用非常广泛,广告主会利用合约广告来约定好获取一定量的曝光,同时会限定定向受众。主要目标是在合同的约束下最大化合同分发率,从长期来看,对广告主和电商平台来讲,用户兴趣,比如点击率和转化率,对提升二者的投资回报率非常重要。
这篇文章提出一种自适应统一分配框架,AUAF,不仅考虑了请求级别的受众曝光的供给,而且可以避免受众曝光的过度分配。具体而言,这种分配模型同时优化了合同分发率,广告主和用户兴趣的匹配率,考虑了明确的约束条件,用于防止不必要的分配。
针对每天数十亿的请求量级的挑战,作者们开发了基于并行优化算法的参数服务器,如此一来,所提出的分配模型可以得到高效优化,同时可以分钟级别增量更新。在线服务时,离线优化结果和在线决策可以同步进行。这种方法可以自适应平滑,可以跟最优分配解决方案保持一致。
大量实验结果表明,作者们所提出的AUAF框架可以提升合同履约率,还可以提升平均点击率,平均点击率可以用来表征用户兴趣。点击率的提升相对现有方法在统计意义上是显著的。此外,自2020年三月以来,AUAF已经部署在阿里的合约广告展示系统中,点击率提升10%,同时保证了合同履约率没有下降,带来了显著的商业价值提升。
合约广告几个关键要素如下

现有合约广告算法面临以下两个挑战

合约广告系统架构图示如下

这篇文章的主要贡献如下

关于合约广告,相关背景及算法简介如下

合约广告分配二部图图示如下

合约广告算法数学表示如下

目标函数各项以及部分符号的解释如下

为了控制不超过合同约定的曝光量,作者们采用了以下目标函数及约束条件

上述问题的对偶问题形式如下

利用kkt条件,可以得到以下形式的解

基于参数服务器的加速算法伪代码如下

合约广告分配框架图示如下

数据集简介及算法衡量指标简介如下

参与对比的方法有以下几个

参数设置如下

几种方法在小规模数据集上模拟效果对比如下

大规模离线分配场景中,几种算法的效果对比如下

几种算法在大规模数据集上的效果对比如下

按照不同维度聚合,几种方法的效果对比如下

线上ab实验中,几种方法的效果对比如下

代码地址
https://github.com/cxmlxq/AUAF
我是分割线
您可能感兴趣
ICDM2019|阿里提出大规模个性化分发实时平滑算法并用于合约展示广告
KDD2021|清华联合雅虎|斯坦福大学|纽约大学提出竞价隐藏算法MEOW
KDD2021|雅虎提出高效深层分布网络竞价策略用于一阶广告拍卖竞价隐藏
KDD2021|华为联合上交提出CTR预估数值特征embedding学习框架AutoDis(已开源)
KDD2021|腾讯联合中科院北航提出人群扩展算法MetaHeac并用于推荐和广告领域(已开源)
WSDM2022会议上,阿里提出了一种名为AUAF的自适应统一分配框架,用于合约广告。该框架考虑请求级别的受众曝光,优化合同分发率和广告主与用户兴趣匹配,同时解决过度分配问题。通过并行优化算法的参数服务器,AUAF在大规模请求中实现高效优化和分钟级更新。实验证明,AUAF提高了合同履约率和平均点击率,自2020年起已在阿里合约广告系统中部署,带来商业价值提升。

被折叠的 条评论
为什么被折叠?



