自动出价的机制稳定性设计：Robust Auction Design in the Auto-bidding World

最新推荐文章于 2024-07-02 10:08:59 发布

tostq

最新推荐文章于 2024-07-02 10:08:59 发布

阅读量2.3k

点赞数 1

分类专栏：拍卖机制文章标签：算法拍卖机制自动出价 auto-bidding auction

本文链接：https://blog.csdn.net/tostq/article/details/128741874

版权

拍卖机制专栏收录该内容

1 篇文章 0 订阅

订阅专栏

近年来，auto-bidding（自动出价）由于其不需要客户在关键词等细粒度上进行出价，只需要在设计更高维度合适的约束（如单次转化成本、投资回报率ROI等），就能由广告系统在流量维度进行智能出价，这种出价方式不仅使广告主以更简易的方式获得更多价值收益，同时也给了广告平台更优化客户及平台收益的空间，现在已经逐渐成为各大互联网平台的主流出价方式。但是auto-bidding也给传统拍卖系统（GSP、VCG）的稳定性带来伤害，在auto-bidding下，当前的拍卖模式还是否是效率及收益最优的，还是否truthful的，统统是一个问题。google近几年的《Robust Auction Design in the Auto-bidding World》等数篇论文讨论了这个问题，其虽然没有给出最优解，但给出了通过boost和reverse price可以确定客户价值和平台收益的下界，从而达成稳定的机制系统。

1、Auto-bidding形式

$bid_{i,j} = \alpha_{i} * v_{i,j}$

公式中i表示某bidder标签，j表示某次流量拍卖标签，v表示bidder对于该次流量的价值估计，α表示自动出价参数，此处的自动出价参数α对于某bidder下的所有流量拍卖都是一致的，称为统一出价策略（uniform bidding），参考文献2给出证明，在激励兼容的机制下，uniform bidding对于自动出价auto-bidding来说，是使客户价值最大的最优出价策略。目前主流的互联网广告平台都是采用这种出价策略。

然而在多位次拍卖的情况下，参考文献1指出，GSP很难保存激励兼容，而VCG虽然在最大化效益时能保证激励兼容，但当目标变为最大化客户价值时，也没办法保证激励兼容，这是由于对于最大化客户价值的自动出价来说，bid同价值v存在α参数（α>=1），可能会使得某些低价值的出价高于高价值的出价，从而造成分配效率丢失。

参考文献3给出了如下例子：

上述是描述了两次拍卖auction1、auction2以及两个bidder的单位次拍卖的过程（单次拍卖GSP和VCG没有本质的区别），我们可以知道最优的客户价值为 Wel(opt)=1 + d + 1 = d + 2，即acution 1胜出为bidder 1，acution 2胜出为bidder 2。但当我们分别考虑bidder1及bidder2在满足个体理性条件，各自最大化其价值时的过程，以下α1及α2分别表示bidder1、bidder2的出价参数，p1,1表示bidder1在auction1的计费（此处不考虑保留价的因素）

对于bidder1，其最大化的价值的为1+d+ε：

$bid_{1,1} = (1 + d)\alpha_1 > 0 *\alpha_2 = 0, p_{1,1} = 0$

$bid_{1, 2} = \varepsilon \alpha_1 > \alpha_2, p_{1,2} = \alpha_2$

同时bidder1需要满足个体理性条件：

$p_{1,1} + p_{1,2} \leq 1 + d + \varepsilon$

通过上述式子分析，我们可以给出bidder1的出价参数条件：

$\alpha_2 < 1 + d+ \epsilon , \alpha_1 > (1+ d +\epsilon )/\epsilon \geq \alpha_2 / \varepsilon$

同理，我们可以给出此时bidder2的稳态出价参数应该为α2 = 1，此时我们可以得出稳态的客户的总价值为1+d+ε，即两次auction均由bidder1获胜。其同最优的客户价值为 Wel(opt)= d + 2是有差距的，现在问题是如何来缩小这个差距。参考文献3指出通过boost可以优化这个差距的下界，参考文献2指出通过boost以及reserve price联合作用，不仅可以优化总客户价值同最优客户价值的差距下界，还可以大幅度提高整体平台的收益。

2、boost

boost是指在原bid基础上额外加上z得到新bid，用于拍卖排序，而在计费用下一位的新bid减去z表示（此处为GSP单位次情况，VCG是类似的，可参考文献1,3），即：

$\hat{bid_{i,j}} = bid_{i,j} + z_{i,j}, p_{i,j} = \hat{bid_{i-,j}} - z_{i,j}$

在参考文献3中，给出了通过添加数种boost的形式下，这个客户价值同最优客户价值差距的下界（对于truthful机制如VCG是生效的，对于GSP非truthful机制在强制uniform bidding情况下也是生效的）。

uniform boosts：z = c * v，即全局在价值*相同比例c作为boost值，此时客户价值同最优客户价值的比例下界为(c+1)/(c+2)

$z_{i,j} = c * v_{i,j} \rightarrow wel(x)/wel(opt)\geq (c+1)/(c+2)$

value-competitive boost：

$z_{i,j} - z_{i',j} \geq c * (v_{i,j} - v_{i',j})\rightarrow wel(x)/wel(opt) \geq (c+1)/(c+2)$

benchmark-competitive boosts：此处oj表示一个全体的一个组合，而value-competitive boost表示全体。

$z_{oj(k),j} - z_{oj(k'),j}\geq c* v_{oj(k), j} \rightarrow wel(x)/wel(opt)\geq (c+1)/(c+2)$

z更为简单的形式，此时sj表示展示的广告位数

$z_{oj(k),j} = c * \sum_{\kappa = k}^{s_j} v_{oj(\kappa),j} \ if\ k < s_j \ else \ 0$

为什么通过添加boost会使得客户总价值提升，参考文献3中给出了具体的证明，此处我们以先前的例子，通过添加uniform boosts作为简单的说明。还是对bidder1以及bidder2分别分析：

对于bidder1，其最大化的价值仍为1+d+ε：

$\hat{bid_{1,1}} = (1 + d)(\alpha_1 + c)> 0 *(\alpha_2 + c) = 0, p_{1,1} = 0$ $\hat{bid_{1, 2}} = \varepsilon (\alpha_1 + c)> \alpha_2 + c, p_{1,2} = \alpha_2 + c - \varepsilon *c$

同时bidder1需要满足个体理性条件：

$p_{1,1} + p_{1,2} = \alpha_2 + c - \varepsilon *c \leq 1 +d +\varepsilon$

通过上述式子分析，我们可以给出bidder1的出价参数条件：

$\alpha_2 \leq 1 + d+ \epsilon -c +c * \epsilon, \alpha_1 > (1+ d +\epsilon )/\epsilon$

同时也可以分析bidder2的出价参数条件，此时我们发现当c>=(d+ε)/(1-ε)时，auction2的胜出为bidder2，此时客户价值为 Wel(x)= d + 2为最优。由此可知在添加boost可以提升总体的客户价值。

3、reserve price

reserve price保留价广泛应用于当前互联网广告平台，特别是VCG+myerson结合，一方面通过VCG实现了多位次下客户效率最大化的激励兼容机制，另一方面通过myerson兼顾了平台的收益。通过boost能提升客户总体价值，但不能保证平台的收益。比如上面例子auction1中，如果没有保留价，则会出现计费为0的情况。

参考文献1在参考文献3的基础上，结合boost和reserve price，给出了更为一般形式的平台收益和客户价值的形式：

Lemma 考虑m位次拍卖的分配计费机制A，假设在该机制下，bid满足如下条件：

对于每个bidder及每次拍卖，保留价满足r>=β*v，boost满足μ*v <= z < σ*v
对于每次拍卖位次，根据b + z进行排序，同时获胜位次必须满足b>=r
b >= α * v
计费采用 VCG
每个bidder的总计费不能超过其总价值

此时有：

$Rev\geq min((\alpha+\mu )\beta /(\beta +\nu ), \beta )*Wel(Opt),\ Wel\geq (\alpha+\mu)/(1+max(\nu, \alpha+\mu-\beta))*Wel(Opt)$

同时参考文献1中也给出VCG及GSP在各类情况下的平台收益和客户价值下限分析。

参考文献

[1] Balseiro S , Deng Y , Mao J , et al. Robust Auction Design in the Auto-bidding World[J]. 2021.

[2] Gagan Aggarwal, Ashwinkumar Badanidiyuru, and Aranyak Mehta. 2019. Autobidding with Constraints. In International Conference on Web and Internet Economics. Springer, 17–30.

[3] Deng Y , Mao J , Mirrokni V , et al. Towards Efficient Auctions in an Auto-bidding World[J]. 2021.

tostq

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
自动出价的机制稳定性设计：Robust Auction Design in the Auto-bidding World

机制设计、拍卖理论，自动出价的机制稳定性设计：Robust Auction Design in the Auto-bidding World，Towards Efficient Auctions in an Auto-bidding World
复制链接

扫一扫

专栏目录