阿里妈妈技术团队4篇论文入选 KDD 2024

近日，国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称 KDD) 论文接收结果公布，阿里妈妈技术团队有4篇论文被录用。

KDD 2024 是中国计算机学会（CCF）推荐的A类国际学术会议，也是数据挖掘领域的顶级会议，今年将于8月25-29日在西班牙巴塞罗那召开。本届会议 Research Track 共接收2046篇论文，录用率约20%。

接下来为大家介绍阿里妈妈技术团队入选论文，后续我们将邀请论文作者详细解析论文思路和技术成果，欢迎关注~

阿里妈妈技术·论文摘要

▐ AIGB: Generative Auto-bidding via Diffusion Modeling

作者：Jiayan Guo, Yusen Huo, Zhilin Zhang, Tianyu Wang, Chuan Yu, Jian Xu, Yan Zhang, Bo Zheng

链接：https://arxiv.org/abs/2405.16141

🏷 AIGB：基于扩散模型的生成式自动出价新范式

摘要：自动出价在推动在线广告领域的发展中起着决定性的作用，通过为广告商自动设定出价，极大地提升了广告投放的效率。近年来，强化学习（RL）技术在自动出价上的应用变得日益广泛。然而，这种范式存在一定的局限性，其依赖的马尔可夫状态转移假设限制了算法在长期连续决策处理中的表现，并且在应对动态变化的在线广告环境时可能变得不稳定。为了解决这一问题，本文提出了一种新的生成式出价范式，称为AI-Generated Bidding（AIGB），该范式引入了DiffBid的条件扩散建模技术，从而重新定义了自动出价过程。DiffBid通过直接建立回报与广告投放轨迹之间的相关性，有效地规避了长期序列决策中时间步之间的错误传播问题。此外，DiffBid还展示了其多功能性，能够在遵循特定约束的同时生成旨在最大化预设目标的轨迹。通过在实际数据集上的广泛实验验证以及在阿里巴巴广告平台上实施在线A/B测试，证实了DiffBid方法的有效性。实验结果显示，与传统RL方法相比，DiffBid在总商品价值（GMV）和投资回报率（ROI）方面分别取得了2.81%和3.36%的显著提升。

▐ Truthful Bandit Mechanisms for Repeated Two-stage Ad Auctions

作者：Haoming Li, Yumou Liu, Zhenzhe Zheng, Zhilin Zhang, Jian Xu, Fan Wu

🏷 重复两阶段广告拍卖下的Truthful Bandit机制

摘要：在线广告平台通常采用多阶段拍卖框架，首先，在第一阶段从庞大的广告库中筛选出一小部分表现较好的候选广告子集。随后，在第二阶段，通过利用更精细化的模型预测点击率，并在这一候选子集中实施拍卖流程，从而确定最终展示的广告及其相应费用。设计一个有效的两阶段拍卖机制，既是非常重要也是具有挑战性的。在本研究中，我们关注于第一阶段的子集选择策略在线学习算法的研究，同时确保在重复的两阶段广告拍卖中维持固有的博弈论属性。具体而言，我们提出了一种基于通用奖励函数的组合bandit机制设计问题，并确保了真实性（truthfulness）与个体合理性（IR）的标准得到满足。我们发现，要开发一个同时具备遗憾下界且支持高效分配和真实性的bandit机制面临重大挑战。为应对这一难题，我们引进了基于近似的truthful机制工具，并通过近似遗憾来评价该bandit机制的性能。我们设计了两种机制，第一个为“探索后承诺”机制，其遗憾值达到了，而第二个机制则通过特定假设优化，实现了的更低遗憾值。理论证明，两种机制均体现了事后真实性（ex-post truthfulness）和事后个体合理性（ex-post IR），展现出良好的机制性能。

▐ Bi-Objective Contract Allocation for Guaranteed Delivery Advertising

作者：Yan Li, Yundu Huang, Wuyang Mao, Rongfu Ye, Xiang He, Zhonglin Zu, Shaowei Cai

🏷 双目标合约广告订单分配算法

摘要：合约广告系统包括两个不同的阶段，即订单销售阶段和履约投放阶段。前者处理合同分配，后者则完成在线投放的履约交付。现有工作通常将这两个阶段分开处理，例如，订单售卖分配时，并未考虑在线投放阶段的实际情况。在本文中提出了一种针对合约广告的双目标订单分配方法，旨在最大化分配给新来订单售卖量的同时控制库存分配的平衡。考虑所提出的问题具有高维度和大量约束的特点，我们设计了一种高效的局部搜索算法，交替关注这两个目标。实验结果表明，我们的算法优于多目标进化算法和Gurobi，前者常用于多目标优化，后者则是一个知名的有竞争力的商业工具。

▐ An Efficient Local Search Algorithm for Guaranteed Delivery Advertising Contract Allocation

作者：Xiang He, Wuyang Mao, Zhenghang Xu, Yuanze Gu, Yundu Huang, Zhonglin Zu, Liang Wang, Mengyu Zhao, Mengchuan zou

🏷 一种解决大规模含多重线性约束合约广告库存分配问题的高效局部搜索算法

摘要：合约广告是在线广告的重要组成部分，合理的库存分配机制直接影响到客户需求满足和平台收入增加。随着广告客户需求的越来越多样化和精细化，在业务场景中经常出现媒体偏好需求，即适合投放在指定聚焦媒体的广告在该媒体上分配的比例应该大于另一些不适合在该媒体投放的广告。然而，这些需求涉及到非凸的多重线性约束，而现有合约广告库存分配算法往往依赖于约束的凸性质，因此会给合约广告的库存分配带来挑战，而数学规划求解器或现有基于约束的启发式求解方法无法在业务时间内产生高质量的解。我们提出了一种局部搜索的框架来解决这个难题，该框架包含两阶段的搜索模式，并且集成了四种新的针对非线性约束设计的算子。实验结果表明，相比于其它算法或者求解器，我们的算法能够在业务要求的时间内产生高质量的解，并且该算法具备通用性，可以处理其它业务场景中存在的非线性约束，未来可以应用到更多类似的场景中。

END

也许你还想看

丨KDD'23 | CC-GNN：基于内容协同图神经网络的电商召回方法

丨KDD'23 | Score-Weighted VCG：考虑外部性的智能拍卖机制设计

丨KDD'23 | 强化学习在广告延迟曝光情形下的保量策略中的应用

丨KDD'23 | PerBid：在线广告个性化自动出价框架

丨KDD'23 | 合约广告中端到端流量预估与库存分配

丨KDD'23 | 转化率预估新思路：基于历史数据复用的大促转化率精准预估

关注「阿里妈妈技术」，了解更多~

喜欢要“分享”，好看要“点赞”哦ღ~