[转]Auction算法介绍

注：阅读资料，无链接，感觉写得挺好的。

一、传统拍卖竞价策略

1、英式拍卖（English Auction）
英式拍卖又叫公开增价拍卖OAB（Open Ascending Bid），卖家提供物品，在物品拍卖过程中，买家按照竞价阶梯由低至高喊价，出价最高者成为竞买的赢家。为了保证竞价收敛，一般会为竞价设定一个终止时间。

2、荷兰式拍卖（Sealed-bid Auction）
荷兰式拍卖亦称公开减价拍卖ODB（Open Descending Bid），其过程与英式拍卖过程相反：竞价由高到低依次递减直到第一个买家应价时成交的一种拍卖方法。

3、第一价格密封拍卖FPSB（The first-price sealed auction）
第一价格密封拍卖，买方将自己的出价写在一个信封里，众多买方进行投标，同一时间揭晓信封价格，出价最高者竞价成功。

4、第二价格密封拍卖SPSB（The Second Price Sealed Auction）
又称为维克里拍卖（Vickrey Auction），其拍卖过程和第一价格密封拍卖过程一样，由出价最高的买家获得物品，但他只需要支付所有投标者中的第二高价。

二、互联网广告竞价策略

1、广义第一价格GFP（Generalized First Price）
与传统的第一密封竞价（FPSB）类似，出价高者得，需要支付自己提出的报价。
缺点：
1）平台方收益会非常不稳定。
2）竞价效率不高。

举例

广告位	平均每小时点击量
1	200
2	100

广告主	平均每次点击收益
A	10
B	4
C	2

出价过程：

1. C -> 2
2. B -> 2.01（出价超过2，C放弃出价)
3. A-> 2.02
4. B-> 2.03
5. A-> 2.04
6. ...
7. A-> 4.01 (出价超过4，B放弃出价)

一方放弃之后，另一方失去竞争者，从而再次把价格拉低（A想，我没有竞争者了，为啥还出价这么高）。

放弃方得知价格被拉低后，又会开始新一轮的“微小差值策略”。

于是，广告位的价格极不稳定，呈现上图中的态势，Yahoo和Google初期都是采用这种策略，直到2002年Google提出了GSP竞价算法。

2、广义第二价格GSP（Generalized Second Price）
和传统第二密封竞价（SPSB）类似，出价高者得，需要支付出价第二高者提出的报价再加上一个最小值。

举例

广告位	平均每小时点击量
1	200
2	100

广告主	平均每次点击收益
A	10
B	4
C	2

此时：
    A的实际出价为4+0.01=4.01
    B的实际出价为2+0.01=2.01
    C竞价失败

【实际最终出价跟GFP一样啊，哪里有问题？】

GSP是一种稳定的竞价方式，可操作性很强，现阶段几乎所有的互联网广告平台都使用这一种竞价方式。
GSP的不足是，它也不是一种“鼓励讲真话”的机制，说实话不一定形成纳什均衡，竞价的结果不一定全局最优化的。于是，VCG竞价算法出现了。

3、VCG（Vickrey-Clarke-Groves）竞价机制
广告主为网民的一次点击支付他对其他广告主造成的效用损失。

举例

广告位	平均每小时点击量
1	200
2	100

广告主	平均每次点击收益
A	10
B	4
C	2

定价过程：
1）假设A不参加竞价，B和C的社会总效用为200*4 + 100*2 = 1000元
2）A如果参加竞价，B和C的社会总效用为100*4 + 0*2 = 400元
3）因为A参加了竞价，导致B和C的社会总效用损失了1000 – 400 = 600元
4）于是，A需要为每一次点击支付600 / 200 = 3元
但实际应用中，受损者的社会总效用损失难于计算，故VCG竞价机制几乎没有谁真的来使用。

三、GSP竞价策略公式

1、排序时，只考虑出价。按CPM收费时采用。

排序公式

rankScore=eCPM=bid

计费公式

chargei=rankScorei+1=bidi+1

2、排序时，不仅仅考虑出价，同时考虑CTR。CPC计费时采用。

排序公式

rankScore=eCPM=bid×ctr

计费公式

chargei×ctri=rankScorei+1=bidi+1×ctri+1

chargei=ctri+1ctri ×bidi+1

如果大家的CTR都一样，charge就是bid。如果CTR低，多出点钱，如果CTR高，少出点钱。很合理。

3、广告与非广告混排

首先，为什么要混排？为了更多的广告位？    

对于美团来说，在没有上广告之前，就有一部分收入——佣金收入，非广告排序模型目标就应该是最大化这个收入。【此处没有考虑流量的问题，为了保证流量，需要补贴，需要提供信息服务，很难以收入为目标】

     当引入广告之后，收入就变成了2部分：佣金收入和广告收入。我们在提高广告收入的时候可能会同时提升佣金收入，也可能降低佣金收入。所以我们建模就不能照搬一般的广告模型，我们的模型需要兼顾佣金收入与广告收入，模型的终极目标应该是最大化二者之和，所以我们的排序公式应该是这样的。

rankScore=eCPM_Profit+eCPM_Ads

    如果我们不唯利是图的话，还要保证用户体验，加上自然相关性的因素【个人觉得，在一个商业交易的平台上，访购率体现的就是相关性】。

rankScore==eCPM_Profit+eCPM_Ads+λ×relevanceprofit×ptr+bid×ctr+λ×relevance

    其中，profit为毛利，ptr为支付率【假设是以支付量来计算收入的话】。

    eCPM的单位是钱，relevance的单位不是钱，通过λ来进行转换并控制对整体分数的影响。

    这是我理想中的排序公式。

    理想很丰满，现实可能很残酷。

    佣金部分的收入计算面临一些问题，首先，佣金比较敏感，我们可能拿不到，其次佣金是以deal为单位的，而我们的模型是以POI为单位的，可能会带来很大误差。第一个问题是最主要的，没有数据我们根本无从计算。所以我们只能忍痛割爱。

    短期的解决办法是什么呢，我们假设自然排序的relevance能大概代表佣金部分的收入【理论上自然排序的目标是最大化佣金收入，实际上自然排序的核心KPI是访购率，所以自然排序模型是按点击率、下单率、支付率综合分排序的，POI的佣金根本不在其中，所以这个假设不太靠谱，但是我们目前只能这么假设了】。

    根据这个不靠谱的假设之后，公式变成了

rankScore=relevanceScore+adScore=relevance+λ×bid×ctr

计费公式

λ×chargei×ctri+relevancei=rankScorei+1

chargei=rankScorei+1−relevanceiλ×ctri

进行分解之后

chargei=====rankScorei+1−relevanceiλ×ctrirelevancei+1+adScorei+1−relevanceiλ×ctrirelevancei+1−relevanceiλ×ctri +adScorei+1λ×ctrirelevancei+1−relevanceiλ×ctri +λ×ctri+1×bidi+1λ×ctrirelevancei+1−relevanceiλ×ctri +ctri+1ctri ×bidi+1

可以看出计费包括2部分：一部分是自然排序上的，一部分是广告上的。

如果我们去掉自然排序上的收费，就变成了GSP计费。 那么，【为什么在主流的广告平台上采用固定广告位时，不考虑自然相关性的问题，只考虑广告部分呢？是为了简化模型？还是固定广告位不需要考虑自然相关性？】【如果说固定广告位不需要考虑自然相关性，为什么我们混排时要考虑呢？】

在考虑自然相关性的情况下，我们分情况分析下计费公式。

1）如果第i+1位不是广告，bid就是0。

chargei===relevancei+1−relevanceiλ×ctri +ctri+1ctri ×bidi+1relevancei+1−relevanceiλ×ctri +ctri+1ctri ×0relevancei+1−relevanceiλ×ctri

charge跟bid没有任何关系了。【λ的计算跟bid也没有关系，是根据保底价计算的】

• 如果广告位置没有提升，relevance_{i+1} - relevance_{i}就是负值，charge就是负值。相当于不需要为广告掏钱，算非广告展现。
• 如果广告位置提升了，relevance_{i+1} - relevance_{i}就是正值，charge就是需要为位置提升支付的钱。relevance的值对charge的影响很大。

2）如果第i+1位是广告，bid非0

公式转换

chargei===rankScorei+1−(rankScorei−λ×ctri×bidi)λ×ctrirankScorei+1−rankScorei+λ×ctri×bidiλ×ctrirankScorei+1−rankScoreiλ×ctri+bidi

从公式可以看出，正常情况下，rankScore_{i+1} - rankScore_{i} 是负的，所以charge会比bid低。

看一下charge跟bid的大小，判断charge是否会出现比bid大的情况。

• 如果2个广告的次序没有变化，relevance_{i+1} - relevance_{i}就是负值，整体的charge会比单独广告部分的charge低。极端情况整体charge会是0或者负的，相当于不用花钱。这个感觉不太合理啊。不知道这种极端情况出现的概率有多高。
• 如果2个广告的次序发生了变化，relevance_{i+1} - relevance_{i}就是正值，整体的charge会比单独广告部分的charge高。

四、λ的计算

1、目的

    设置λ是为了控制广告对自然排序的影响，把λ设置比较小时，广告对自然排序影响小，设置大时影响大。

     那么λ设置成多大可以利益最大化，目前还没有好的算法。

2、当前策略

    当前的策略是人工设置广告提升的位次，然后根据提升位次来计算λ。比如说，整个序列中，所有广告最少提升4位（头部的除外）。

3、计算第一步

计算每个广告提升4位需要的λ。

位置排序是按rankScore，再看下公式

rankScore=relevanceScore+adScore=relevance+λ×bid×ctr

如果我们要把广告从 i 位置提升到 i-4 的位置，那么必须满足下面的条件

rankScorei−4<rankScorei<rankScorei−5

设置

rankScorei==rankScorei−4+rankScorei−52relevancei+λ×bidi×ctri

得到λ的计算公式

λ=====rankScorei−4+rankScorei−52−relevanceibidi×ctrirankScorei−4+rankScorei−5−2×relevancei2×bidi×ctrirankScorei−4+rankScorei−5−2×relevancei2×bidi×ctrirelevancei−4+λ×bidi−4×ctri−4+relevancei−5+λ×bidi−5×ctri−5−2×relevancei2×bidi×ctri(relevancei−4+relevancei−5−2×relevancei)2×bidi×ctri+(bidi−4×ctri−4+bidi−5×ctri−5)2×bidi×ctri×λ

化简

λ=(relevancei−4+relevancei−5−2×relevancei)2×bidi×ctri−(bidi−4×ctri−4+bidi−5×ctri−5)

1）如果 i-4 跟 i-5 位置上都不是广告，对应的bid就是0，那么公式简化为

λ=(relevancei−4+relevancei−5−2×relevancei)2×bidi×ctri

2）如果 i-4 跟 i-5 位置上有广告，那么λ会比非广告的情况大。目前线上都是当非广告处理的，为什么？因为这2个位置的广告会被提升走？

3)  另外，线上使用的保底价而不是bid，为什么？

     如果召回序列中只有1个广告主时，如果使用bid计算λ，λ跟bid成反比，rankScore是固定的，最后广告最多只能提升4位，广告主提高bid也无法提升广告的位置【与提高出价提高位置的目的冲突】。这种情况下，如果使用保底价计算λ，λ就是固定的，rankScore随bid增长【计算rankScore使用的bid】，所以广告主提高bid，广告的位置就会随之提升。

rankScore=relevanceScore+adScore=relevance+λ×bid×ctr

    也可以这样理解保底价意图，如果广告主的bid出价跟保底价相同，那么给你提升4位，出价越高，位置越高。

4、计算第二步

根据每个广告计算得到的λ，得到一个整体的λ。计算办法包括：最大值、平均值、中位数。

1）如果取最大值会怎么样？

     如果λ取最大值，那么大家都至少提升4位，有点可能会提高非常大。

2）如果取平均值会怎么样？

3）如果取中位数会怎么样？

5、线上数据分析