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
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:
同时bidder1需要满足个体理性条件:
通过上述式子分析,我们可以给出bidder1的出价参数条件:
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:
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)
-
value-competitive boost:
-
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更为简单的形式,此时sj表示展示的广告位数
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:
同时bidder1需要满足个体理性条件:
通过上述式子分析,我们可以给出bidder1的出价参数条件:
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:
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.