背景
近一年的工作基本是围绕着广告ctr/cvr模型优化展开的,但是对竞价广告整体框架还是缺乏了解,最近准备学习一下RTB相关的内容,笔记主要围绕着Display Advertising with Real-Time Bidding (RTB) and Behavioural Targeting 这篇文章学习
Bid Landscape Forecasting
在RTB中,作为广告主(或者DSP方)而言,关键问题其实是2个,一个是是否应该出价,第二个是应该出多少价,对于第一个问题,一般可以根据广告素材的预估ctr/cvr等判断预期收益决定,对于第二个问题则比较复杂一点;因为在RTB中,只有竞价成功了才能知道真实的计费是多少(对于一价而言就是bid,对于二价而言则需要看其他的报价),由于在每次报价之前不知道其他的报价,因此需要根据历史的一些统计经验值或者模型来预估本次出价,这个就是bid landscape forcasting.
- 了解几个基本的概念:
winning probability: 给定出价
假设我们已经知道市场上出价z的分布
2. 几种常见的bid landscape forecasting
- Tree-based log-normal model
这种方法来自Yahoo的一篇文章Bid Landscape Forecasting in Online Ad Exchange Marketplace,方法是对于adset级别的广告素材,先将历史统计的竞价信息按照特征树的方式先做一个树路径划分,每个树的路径的叶子节点值是match这个特征路径的bid,文章对这种树结构做了一个优化:对于不存在的节点将以*补充,如下图所示:
特征树划分好之后,使用GBDT去拟合历史报价,从而学习到每条路径的预估bid值,当一个新的request来的时候,则可以根据match到路径的预估值和历史报价进行本次报价预估均值和标准差。在获取到每个adset级别的均值
可以求解到
对于campaign级别的竞价,paper假设一个campaign的bid是这个campaign下面每个adset的混合分布:
其中
- censored linear regression
线性拟合方法就比较简单,对于广告素材
本质上是对于win的事件,让
- survival model
survival model是一种基于统计的预估出价(二价)分布模型,实现步骤如下
- 将所有出价历史按照bid从小到大排序成
,其中是第i次的出价,表示是否赢得此次出价,表示本次胜出的价格
- 将上述的数据按照bid从小到大转换成
形式,其中dj表示胜出价为的胜出次数),为4(出价为时候失败的次数)。本质上计算的是当bid增加一块钱(假设单位是元)胜出的概率为:,对应的lose概率为
- 对于出价为b_x,loss的概率为
,win的概率为
竞价策略优化
竞价策略主要针对广告需求方,根据每次请求的context(广告素材、用户行为等)判断需不需要出价以及出多少价,主要流程可以用下图描述:
和搜索广告不同的是,RTB是针对每次的展示竞价,而不是针对搜索关键词出价,因此RTB对广告主(或者DSP)来说,需要更实时且精准的预估.
RTB竞价策略通常包括两个部分:Utility Estimation和Cost Estimation。Utility Estimation一般指赢得这次展示的期望收益,比如点击率/转换率等;Cost Estimation则指的是赢得此次竞价需要的成本,可以用下图描述:
单广告计划bid optimisation
- 了解几个概念
- 给定市场出价概率密度分布Pz(z)和出价b,对应的胜率为
- 广告的预期回报为
,依赖具体的广告策略,如果广告希望回报是点击数,那么;如果广告希望回报是利润,每次点击的收益是v,那么
- cost(如果胜出了,需要花费的成本):
- 对于一价广告,
- 对于二价广告,
- T: 广告计划的规则和生命周期决定的拍卖量
- B:广告计划的预算budget
2. Truth-telling bidding
true-telling bidding是只考虑竞价回报,而不考虑预算的场景,期望收益为
这个相当于是Lagrange无约束优化问题,直接对出价b(.)求导
(1)式对
Truth-telling bidding仅适用于不限budget以及不限拍卖量的情况
3. Linear Bidding
线性出价则简单的多,基本公式是
其中参数
4. 预算约束下的bidding
在拍卖量T和预算B受约束的情况下,优化目标变成:
st:
显然,这是一个等式约束条件下lagrange优化问题,自然的,引入lagrange算子
等价于优化
求解过程:
令b(r)求导值为0可得:
令对
4.1 对于一价场景
假设初始z服从
同时假设
带入4式和5式:
由此求得:
同理,如果
4.2 对于二价场景
和上面相似的求解方法可以得到:
如果
类似的可以求解: