KDD'23 | 合约广告中端到端流量预估与库存分配

导读： 传统的合约广告售卖系统将流量预估和库存分配视为两个独立的模块两阶段求解，本文采用可微拉格朗日求解器，以新的端到端建模视角重新看待这一问题。

▐ 摘要

合约广告（Guaranteed Delivery Advertising）需要平台提前数周与广告客户签订合同，承诺提供广告展示次数并满足广告客户的定向要求。因此对于合约广告来说，除了投中分配策略，投前广告售卖技术也同样重要。传统的合约售卖技术将流量预估和库存分配视为两个不同的阶段。然而，这种两阶段优化难以保证最优的合约分配表现。本文旨在通过一种端到端方法获得更优效果。具体而言，我们提出了Neural Lagrangian Selling(NLS)模型，通过统一的学习目标对流量预估和库存分配进行统一建模。为此，我们首先开发了一个可微分的拉格朗日层，通过神经网络反向传播库存分配问题，使得网络直接优化最终的合约分配结果；然后为了有效地优化各种分配目标和约束，我们设计了一个图卷积神经网络，可以从二分配图中提取预测特征。实验表明，相比现有的两阶段方法，端到端的方法可以有效提升合约售卖的准确性。特别地，我们的优化层在计算效率和求解质量上均优于基线求解器。

论文：End-to-End Inventory Prediction and Contract Allocation for Guaranteed Delivery Advertising

下载（点击↓阅读原文）：https://dl.acm.org/doi/pdf/10.1145/3580305.3599332

一、背景

合约广告客户会在广告投放的日期的几个月/几周前与平台签订合约，以提前锁定所需的广告展示次数。合同规定定向目标下（人群、频控、城市、渠道）的广告展现数量。所以，如果库存过度出售将导致合约难以完成保量（即展示次数少于目标量），平台需要赔付，而库存少售卖也会损害平台收入。随着合约广告业务的发展，我们发现已有研究存在以下问题：首先，大部分对合约广告的研究集中在合约广告投放阶段，对合约广告投前售卖的研究相对较少；其次，之前投前预估一般采用流量预估和库存分配两阶段的建模方式，两阶段方法假定流量预估误差更小可以自动转化为更好的分配质量。然而，在复杂的决策情境中，该假设的实证证据并不明确。同时，学术界已有研究表明端到端的预测优化可以在多项任务上优于两阶段方法，我们调研了现有的端到端学习优化框架，如QPTL 或IntOpt，但是他们不能直接应用于合约广告售卖问题：由于合约售卖库存分配中必须同时考虑大量约束条件，可能导致通用求解器出现显著误差甚至难以求解，并且我们需要考虑售卖系统性能，因此必须设计一个高效的可微组合优化求解器。此外，先前对于端到端预估+分配的研究仅限于静态问题，而库存分配问题是复杂多变的，我们需要设计额外的网络结构来提取必要特征。为了解决以上问题，我们做了如下工作：

1. 我们以全新的视角处理合约投前售卖问题，借助深度学习进行端到端优化，我们利用设计的Neural Lagrangian Selling(NLS)直接最小化广告售卖问题的最终损失；

2. 我们推导了一个可微分的拉格朗日层用于库存分配问题。拉格朗日层可以处理通用的分配约束，并且在大规模问题上具有相对较低的计算复杂度；

3. 为了应对所有广告客户的复杂和动态约束，我们设计了一个基于库存分配的灵活GCN模块。通过简单适配，我们的框架可以扩展到其他不确定的二部图匹配问题；

4. 就预测和分配表现而言，我们的NLS显著优于两阶段方法和其他端到端方法。同时实现了更好的合约广告完成率和库存利用率。

二、问题建模

投前预估分配问题如上图所示，其中每个supply节点是库存预测和分配的最小单位。例如，一个supply节点可以表示一个特定的城市/设备组合，不同的广告主会定向不同的组合形式。在右侧，demand节点表示广告客户的合同。给定一个新合同，我们的分配优化任务是在广告投放约束条件下，保证已签署合同都能分配到足够流量的前提下，最大化新合同的分配量。我们将表示新合同的demand节点视为决策节点，将已签署合同的demand节点称为约束节点。我们使用表示从供应节点到决策节点的流量分配比例，表示从供应节点 到约束节点 的分配比例。

2.1 流量预估

在传统的两阶段预测分配方法中，首先训练流量预估模型（通常基于神经网络）。其中表示supply节点的库存，表示训练样本，其中特征包括历史记录和上下文信息，如星期、月份、假期等。模型通过优化参数来使预测损失最小化：

2.2 库存分配