You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
在广告行业中,实时竞价(Real Time Bidding, RTB)是近年来逐渐流行的一种广告采买方式。与传统的合约广告不同,RTB允许广告主对每一个展示机会进行竞价,从而以人群购买取代了广告位购买。需求方平台(Demand Side Platform, DSP)作为广告主的代理,需要在100ms以内对每个广告请求进行决策是否参与竞价,以及如果参与竞价出价多少。
Zhang, W., Yuan, S., & Wang, J. (2014, August). Optimal real-time bidding for display advertising. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1077-1086). ACM.
Zhang, W., Yuan, S., Wang, J., & Shen, X. (2014). Real-time bidding benchmarking with iPinYou dataset. arXiv preprint arXiv:1407.7073.
Zhang, W., & Wang, J. (2015, August). Statistical Arbitrage Mining for Display Advertising. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1465-1474). ACM.
Perlich, C., Dalessandro, B., Hook, R., Stitelman, O., Raeder, T., & Provost, F. (2012, August). Bid optimizing and inventory scoring in targeted online advertising. In Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 804-812). ACM.
The text was updated successfully, but these errors were encountered:
在广告行业中,实时竞价(Real Time Bidding, RTB)是近年来逐渐流行的一种广告采买方式。与传统的合约广告不同,RTB允许广告主对每一个展示机会进行竞价,从而以人群购买取代了广告位购买。需求方平台(Demand Side Platform, DSP)作为广告主的代理,需要在100ms以内对每个广告请求进行决策是否参与竞价,以及如果参与竞价出价多少。
RTB竞价流程
下图给出了以某个DSP为视角的RTB的流程图(来自参考文献1)。
当一个用户访问了嵌入广告位的网站或者打开了含有广告位的App,该网站或者App会通过供应方平台(Supply-Side Platform, SSP)将广告请求发送给广告交易平台(Ad Exchange, ADX),进而ADX将广告请求发送给多个DSP。值得注意的事目前国内很多移动流量较大的供应方(比如优酷土豆,今日头条)都是自建ADX,也就省了SSP将广告请求广播到其他ADX这一步。当某个DSP收到广告请求时,首先检索自身的广告推广库,将适合该请求的广告检索出来,一般来说,适合的条件包括:
实际上不同的广告推广设定的条件可能差异较大,这里不深入讨论。在广告检索的过程中,一般需要用到数据管理平台(Data Management Platform, DMP)来判断是否满足定向条件。对于每个检索出的候选广告,DSP需要计算其出价,并通过内部竞价选出出价最高的那个广告。如果该广告的出价高于广告请求中附带的底价,则将该广告和出价返回给ADX;否则不响应该竞价请求。
竞价策略
DSP的出价是通过竞价策略来实现的,通常的竞价策略包括:单一出价,随机出价,真实出价,受限点击成本出价,线性出价和非线性出价。
定值出价
对所有广告请求均出同一个价格。虽然简单粗暴,但不少DSP实际在用。
随机出价
在一定出价范围内每次随机出价。
真实出价
不考虑预算限制,该策略估算该展示的真实价值,即
CVR*CPA
。其中CVR
为该展示的转化概率,CPA
为广告主为一次转化付的价格。CVR
一般可以通过历史数据进行估算,也可以用机器学习的方法来预测,不过通常由于数据过于稀疏效果不会很理想。第二高价机制的存在,保证了DSP按照真实价值出价也有套利的机会。受限点击成本出价
在CPC模式下,广告主一般会设定可接受的最高点击成本(
mCPC
),这时就可以通过计算mCPC*CTR
来出价。如果点击率预估准确,该策略可以保证其支出小于收入。线性出价
在这种策略下,出价与估计的点击率成正比,即$$b(\theta)=b_0*\tfrac{\theta}{\theta_0},$$
其中(\theta_0,\theta)分别是该广告的平均点击率以及该请求下预测的点击率,(b_0)是这个广告推广的基础出价,可以通过
mCPC
和(\theta_0)来确定。非线性出价
该出价模型在有预算限制的情况下最大化收益(点击数或转化数)。假设某个广告推广在一定时期(T)内总共符合其定向的广告请求共(N_T)个,每个广告请求特征向量为(\mathbf{x}),满足定向条件的(\mathbf{x})先验为(p_x(\mathbf{x}))。给定收益函数(\theta(\mathbf{x})),竞价函数(b(\theta(\mathbf{x}))),竞价成功率函数(w(b(\theta(\mathbf{x})))),假设该广告的预算为(B), 则优化目标可以写成$$\mathop{\text{arg max}}{b()}N_T\int{\mathbf{x}}\theta(\mathbf{x})w(b(\theta(\mathbf{x})))p_x(\mathbf{x})d\mathbf{x}$$
$$\text{subject to }N_T\int_{\mathbf{x}}b(\theta(\mathbf{x}))w(b(\theta(\mathbf{x})))p_x(\mathbf{x})d\mathbf{x} \leq B.$$
由于(\textbf{x})和(\theta(\textbf{x}))的关系是确定的,$$p_\theta(\theta(\mathbf{x}))=\frac{p_x(\mathbf{x})}{\parallel\triangledown\theta(\mathbf{x})\parallel}.$$进而可以把优化目标写成$$\mathop{\text{arg max}}{b()}N_T\int{\theta}\theta w(b(\theta))p_\theta(\theta)d\theta$$
竞价成功率与出价的函数可以表示为$$w(b(\theta))=\frac{b(\theta)}{b(\theta)+c},$$其中(c)是一个常量。将此函数代入上式,得到$$b_{opt}(\theta)=\sqrt{\frac{c}{\lambda}\theta+c^2}-c.$$可以看出,最优的出价是收益的一个非线性函数。
该策略的出价函数中有两个参数,分别是(c)和(\lambda)。其中(c)可以通过一段时间的盲投(比如利用随机出价策略),得到多个出价与成功率的离散点,再利用最小二乘法拟合曲线得到;(\lambda)可以通过网格遍历的方法,利用历史日志计算不同取值时的收益,从中选取最高的那个。
不同竞价策略的对比
上表给出了不同竞价策略的对比,可以看出非线性出价综合考虑了预算限制、竞价请求的估值、以及竞价成功率这些因素,是最接近实际情况的一种策略。论文[1]中的离线和在线实验结果也证明了其有效性。
参考文献
The text was updated successfully, but these errors were encountered: