[論文レビュー] Revenue Maximization via Hiding Item Attributes

Mingyu Guo, Argyrios Deligkas|arXiv (Cornell University)|Feb 21, 2013

Auction Theory and Applications参考文献 8被引用数 14

ひとこと要約

本稿では、入札者にアイテムの属性（例：年齢、性別、場所）を意図的に非表示にすることで、確率的2段階入札市場における収益最大化を自然かつ効果的に実現する属性隠蔽を提案する。最適な属性隠蔽方式がNP困難であることを証明し、事前処理により多項式時間で計算可能な上界を導出し、2つのヒューリスティクス—木構造的分割と最大重みマッチング—を提案。実験では、上界に非常に近い収益を達成した。

ABSTRACT

We study probabilistic single-item second-price auctions where the item is characterized by a set of attributes. The auctioneer knows the actual instantiation of all the attributes, but he may choose to reveal only a subset of these attributes to the bidders. Our model is an abstraction of the following Ad auction scenario. The website (auctioneer) knows the demographic information of its impressions, and this information is in terms of a list of attributes (e.g., age, gender, country of location). The website may hide certain attributes from its advertisers (bidders) in order to create thicker market, which may lead to higher revenue. We study how to hide attributes in an optimal way. We show that it is NP-hard to solve for the optimal attribute hiding scheme. We then derive a polynomial-time solvable upper bound on the optimal revenue. Finally, we propose two heuristic-based attribute hiding schemes. Experiments show that revenue achieved by these schemes is close to the upper bound.

研究の動機と目的

• 属性の細分化が進み市場が希薄化する状況で生じる2段階入札における収益損失を是正すること。
• 広告入札における情報隠蔽の代替手段として、クラスタリングやシグナル送信に代わる自然な属性隠蔽の可能性を検討すること。
• 自然なバンドル化により解釈可能性を保ちながら、計算効率の良い収益最大化スキームを設計すること。
• 実用的で最適に近い属性隠蔽の理論的境界とヒューリスティクスを確立すること。

提案手法

• 入札者が完全な属性情報を持つが、一部の属性を非表示にできる確率的1点入札市場の形式的モデルを定式化する。
• 再帰的に分割可能で収益が向上する可能性のある冗長な自然バンドルを除外する事前処理ルールを導入し、上界の線形計画問題のサイズを縮小する。
• 属性隠蔽に基づいて再帰的にバンドルを分割する木構造ヒューリスティクスを提案。自然なバンドル制約の下で収益最適化を実現する。
• 二値属性の場合、最大重みマッチングを用いて、高々1つの属性を隠蔽する最適なスキームを特定。エッジの重みはバンドル収益に基づく。
• 事前処理済み変数を用いた線形計画法により、最適収益の多項式時間上界を計算する。
• 異なる数の属性、属性値、入札者を想定したシミュレーションを実施。ヒューリスティクスの性能を上界と比較した。

実験結果

リサーチクエスチョン

• RQ1 自然なバンドルを避けて計算可能性を保ちつつ、収益最大化のための属性隠蔽スキームを設計可能か？
• RQ2 属性隠蔽による収益は、最適収益の理論的上界と比べてどの程度の水準か？
• RQ3 事前処理ルールは、上界を計算するための線形計画問題の変数数を顕著に削減できるか？
• RQ4 ヒューリスティクス（木構造的分割および最大重みマッチング）は、最適収益をどの程度近似できるか？
• RQ5 属性隠蔽に制限を設ける場合と、インスタンスの任意のクラスタリングを許容する場合とを比較した際、最悪ケースでの収益損失はどの程度か？

主な発見

• 最適な属性隠蔽方式は計算上NP困難であることが示され、正確な解法の非実行可能性が立証された。
• 事前処理ルール（再帰的に分割可能なバンドルの除外）により、10個の二値属性設定下で、上界線形計画問題の変数数が59,049から平均220.28にまで削減された。
• 二値属性に限定される最大重みマッチングヒューリスティクスは、k=3、C̄=3の設定で96%のシミュレーションが上界に到達するなど、ほぼ最適な性能を示した。
• 10個の二値属性設定では、マッチングヒューリスティクスが平均収益0.927を達成し、上界0.950に近く、再帰的分割が不可能な自然バンドルは4.76個にとどまった。
• 上界は常にヒューリスティクスの性能よりきつい上界であり、木構造的ヒューリスティクスはk=n=3、C̄=2の設定で、個別販売と比較して平均1.08%の追加収益を達成した。
• 最悪ケースの例では、クラスタリングを許容することで属性隠蔽の2倍の収益が得られることが示され、非自然なバンドルを許容する場合に最大2倍の収益格差が生じる可能性があることが示された。