Causal Models for Real Time Bidding with Repeated User Interactions
Martin Bompaire, Alexandre Gilotte, Benjamin Heymann
Criteo AI Lab
https://hal.archives-ouvertes.fr/hal-02971865/document
大部分在线广告的展示是通过实时竞价(RTB)这种拍卖机制来售卖的。每一次拍卖对应一次展示机会,竞对广告主需要精确预估经济价值,根据预估的价值来进行竞价。这种预估可以作为目标事件带给广告主的报酬,比如在商家网站上归因到此次展示多带来的购买事件,乘以该事件的预估概率。
但是,这种贪婪的方式太简单了,尤其是同一个用户曝光多次这种场景。这篇文章的目的在于讨论用户获得一次或多次展示时,如何进行以上评估。直观而言,随着曝光次数的增多,用户购买的可能性会越大,每次曝光的边际效应理论上呈现衰减的趋势。
这篇文章中,作者们首先通过因果模型来衡量每次展示的价值,将竞价问题跟重复用户交互行为关联起来。然后,基于这种方式,引入一种简单的规则来提升预估的价值。
这种做法不仅得到了遵循先前认知的有趣的定性结论,而其在公开数据集和生产环境的线上数据集上得到了量化的提升。
作者们所研究的问题简介如下
以上因子可以进一步分解
从竞价的角度看,特定用户的竞价请求序列可以看做一个随机过程
竞价最大化报酬的公式如下
竞价过程因果图图示如下
贪婪归因的不足在于