rtb中的win_RTB竞价策略学习

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.

1. 了解几个基本的概念：

winning probability: 给定出价

和广告特征

单次请求赢得展示的胜率

假设我们已经知道市场上出价z的分布

,那么胜率可以描述为：

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

和标准差

之后,文章假设每个adset的bid分布是对数正态分布：

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

,使用一个参数

来拟合出价bid：

, Pre- dicting winning price in real time bidding with censored data 这篇paper用下面的似然函数来建模：

本质上是对于win的事件，让

尽量去拟合bid，对于lose的事件，让

尽量出价比bid高点

• 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

1. 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
2. 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
   胜出的次数，
   表示出价为
   不能胜出的次数，以下面示例图为例，当计算
   =3的时候，那么
   =1(wining_prirce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
3. 对于出价为b_x,loss的概率为
   ，win的概率为

survival model示例

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

1. 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

求导得到：

由此得到出价

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

是根据训练数据训练出来的值

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

求导值为0可得：

4.1 对于一价场景

假设初始z服从

这一分布,

同时假设

服从均匀分布

带入4式和5式：

由此求得：

同理，如果

服从

的分布，可最终得到

4.2 对于二价场景

和上面相似的求解方法可以得到：

如果

服从

的分布,同时假设

服从均匀分布

类似的可以求解：

多广告计划bid optimisation (待续)